TF-Slim是Tensorflow中一个轻量级的库，用于定义、训练和评估复杂的模型。TF-Slim中的组件可以与Tensorflow中原生的函数一起使用，与其他的框架，比如与tf.contrib.learn也可以一起使用

使用方法:import tensorflow.contrib.slim as slim

因为建立,训练和评估模型更加简单,所以是轻量级

优点

l 允许用户通过减少模板代码使得模型更加简洁。这个可以通过使用argument scoping和大量的高层layers、variables来实现；

l 通过使用常用的正则化（ regularizers）使得建立模型更加简单；

l 一些广泛使用的计算机视觉相关的模型（比如VGG，AlexNet）已经在slim中定义好了，用户可以很方便的使用；这些既可以当成黑盒使用，也可以被扩展使用，比如添加一些“multiple heads”到不同的内部的层；

l Slim使得扩展复杂模型变得容易，可以使用已经存在的模型的checkpoints来开始训练算法。

组成部分

TF-Slim由几个独立存在的组件组成，主要包括以下几个：

l arg_scope：提供一个新的作用域（scope），称为arg_scope，在该作用域（scope）中，用户可以定义一些默认的参数，用于特定的操作；

l data：包含TF-Slim的dataset定义，data providers，parallel_reader，和 decoding utilities；

l evaluation：包含用于模型评估的常规函数；

l layers：包含用于建立模型的高级layers；

l learning：包含一些用于训练模型的常规函数；

l losses：包含一些用于loss function的函数；

l metrics：包含一些热门的评价标准；

l nets：包含一些热门的网络定义，如VGG，AlexNet等模型；

l queues：提供一个内容管理者，使得可以很容易、很安全地启动和关闭QueueRunners；

l regularizers：包含权重正则化；

l variables：提供一个方便的封装，用于变量创建和使用。

定义模型

使用TF-Slim，结合variables, layers 和 scopes，模型可以很简洁地被定义详情: https://www.cnblogs.com/hejunlin1992/p/8082535.html
https://blog.csdn.net/cyiano/article/details/75006883
slim.batch_norm: https://blog.csdn.net/luccao/article/details/82857412
这个有参数含义:https://www.cnblogs.com/hellcat/p/8058092.html#_label1_0
https://www.cnblogs.com/adong7639/p/7904575.html