python – 使用Tensorflow TF-Slim而不使用slim.learning.train(

TF-Slim使用自己的训练循环.但是,我想使用TF-Slim模型(Resnet50),同时仍然使用我自己的tensorflow训练循环. TF-Slim模型只输出预测,我计算自己的总损失.我能够无错误地训练模型,训练错误似乎收敛.我问,因为我在评估期间遇到批量标准化的问题(与训练错误相比,错误非常高).我发现这可能是由于培训步骤不足.但我想确保我没有错误地使用TF-Slim.

TF-Slim训练程序如下所示：

#create_train_op ensures that each time we ask for the loss,the 
update_ops
# are run and the gradients being computed are applied too.

train_op = slim.learning.create_train_op(total_loss,optimizer)
logdir = ... # Where checkpoints are stored.

slim.learning.train(
    train_op,logdir,number_of_steps=1000,save_summaries_secs=300,save_interval_secs=600):

我不想使用train_op但是这样的东西

def update_gradients(update_ops,optimizer,total_loss,variables_to_train,global_step,summaries):
  for grad,var in gradients:
      if grad is not None:
        summaries.add(tf.summary.histogram(var.op.name + '/gradients',grad))
  grad_updates = optimizer.apply_gradients(gradients,global_step=global_step)
  update_ops.append(grad_updates)

  update_op = tf.group(*update_ops)
  with tf.control_dependencies([update_op]):
      train_tensor = tf.identity(total_loss,name='train_op')
      return train_tensor

然后调用sess.run(train_tensor)

这会在内部引起任何问题吗？我在这里读到应该使用train_op：github issues

或者根本不允许将例如train_tensor传递给
?slim.learning.train()函数直接？