在TensorFlow-slim的源代码中，创建其损失函数时标明了一个端点：

def clone_fn(batch_queue):  """通过创建network_fn的多个克隆来实现数据并行性。"""  images, labels = batch_queue.dequeue()  logits, end_points = network_fn(images)  #############################  # 指定损失函数 #  #############################  if 'AuxLogits' in end_points:    slim.losses.softmax_cross_entropy(        end_points['AuxLogits'], labels,        label_smoothing=FLAGS.label_smoothing, weight=0.4, scope='aux_loss')  slim.losses.softmax_cross_entropy(      logits, labels, label_smoothing=FLAGS.label_smoothing, weight=1.0)  return end_points

来源：https://github.com/tensorflow/models/blob/master/slim/train_image_classifier.py#L471-L477

我的想法是，有多个相同的网络在不同的机器上进行训练，最后变量和参数会被平均以合并成一个网络（这是正确的吗？）。但我不太明白在这种情况下端点的作用是什么，因为我以为network_fn应该只产生用于预测的logits。end_points有什么用途？

回答：

在这种情况下，endpoints只是跟踪模型的不同输出。例如，AuxLogits包含了logits。