欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Tensorflow学习——Eager Execution

程序员文章站 2024-01-19 12:45:10
...

Eager Execution

目录

1.设置和基本用法

2.动态控制流

3.构建模型

4.Eager训练

  • 计算梯度
  • 训练模型
  • 变量和优化器

5.在Eager Execution期间将对象用于状态

  • 变量是对象
  • 基于对象的保存
  • 面向对象的指标

6.自动微分高级内容

  • 动态模型
  • 计算梯度的其他函数
  • 自定义梯度

7.性能

  • 基准

8.处理图

  • 编写兼容的代码
  • 在图环境中使用Eager
  • Execution

TensorFlow 的 Eager Execution 是一种命令式编程环境,可立即评估操作,无需构建图:操作会返回具体的值,而不是构建以后再运行的计算图。这样能让您轻松地开始使用 TensorFlow 和调试模型,并且还减少了样板代码。要遵循本指南,请在交互式 python 解释器中运行下面的代码示例。

Eager Execution 是一个灵活的机器学习平台,用于研究和实验,可提供:

  • 直观的界面 - 自然地组织代码结构并使用 Python 数据结构。快速迭代小模型和小型数据集。
  • 更轻松的调试功能 - 直接调用操作以检查正在运行的模型并测试更改。使用标准 Python 调试工具进行即时错误报告。
  • 自然控制流程 - 使用 Python 控制流程而不是图控制流程,简化了动态模型的规范。

Eager Execution 支持大多数 TensorFlow 操作和 GPU 加速。有关在 Eager Execution 中运行的示例集合,请参阅:tensorflow/contrib/eager/python/examples

1.设置和基本用法

升级到最新版本的 TensorFlow:

$ pip install --upgrade tensorflow

要启动 Eager Execution,请将 tf.enable_eager_execution() 添加到程序或控制台会话的开头。不要将此操作添加到程序调用的其他模块。

 
from __future__ import absolute_import, division, print_function

import tensorflow as tf

tf.enable_eager_execution()

现在您可以运行 TensorFlow 操作了,结果将立即返回:

tf.executing_eagerly() # => True


x = [[2.]]

m = tf.matmul(x, x)

print("hello, {}".format(m)) # => "hello, [[4.]]"

启用 Eager Execution 会改变 TensorFlow 操作的行为方式 - 现在它们会立即评估并将值返回给 Python。tf.Tensor 对象会引用具体值,而不是指向计算图中的节点的符号句柄。由于不需要构建稍后在会话中运行的计算图,因此使用 print() 或调试程序很容易检查结果。评估、输出和检查张量值不会中断计算梯度的流程。

Eager Execution 适合与 NumPy 一起使用。NumPy 操作接受 tf.Tensor 参数。TensorFlow 数学运算将 Python 对象和 NumPy 数组转换为 tf.Tensor 对象。tf.Tensor.numpy 方法返回对象的值作为 NumPy ndarray

a = tf.constant([[1, 2],

[3, 4]])

print(a)

# => tf.Tensor([[1 2]

# [3 4]], shape=(2, 2), dtype=int32)


# Broadcasting support

b = tf.add(a, 1)

print(b)

# => tf.Tensor([[2 3]

# [4 5]], shape=(2, 2), dtype=int32)


# Operator overloading is supported

print(a * b)

# => tf.Tensor([[ 2 6]

# [12 20]], shape=(2, 2), dtype=int32)


# Use NumPy values

import numpy as np


c = np.multiply(a, b)

print(c)

# => [[ 2 6]

# [12 20]]


# Obtain numpy value from a tensor:

print(a.numpy())

# => [[1 2]

# [3 4]]

tf.contrib.eager模块包含可用于 Eager Execution 和 Graph Execution 环境的符号,对编写处理图的代码非常有用:

tfe = tf.contrib.eager

 

2.动态控制流

Eager Execution 的一个主要好处是,在执行模型时,主机语言的所有功能都可用。因此,编写 fizzbuzz 很容易(举例而言):
 

def fizzbuzz(max_num):

counter = tf.constant(0)

for num in range(max_num):

num = tf.constant(num)

if int(num % 3) == 0 and int(num % 5) == 0:

print('FizzBuzz')

elif int(num % 3) == 0:

print('Fizz')

elif int(num % 5) == 0:

print('Buzz')

else:

print(num)

counter += 1

return counter

这段代码具有依赖于张量值的条件并在运行时输出这些值。

 

3.构建模型

许多机器学习模型通过组合层来表示。在将 TensorFlow 与 Eager Execution 结合使用时,您可以编写自己的层或使用在 tf.keras.layers 程序包中提供的层。

虽然您可以使用任何 Python 对象表示层,但 TensorFlow 提供了便利的基类 tf.keras.layers.Layer。您可以通过继承它实现自己的层:

class MySimpleLayer(tf.keras.layers.Layer):

def __init__(self, output_units):

self.output_units = output_units


def build(self, input):

# The build method gets called the first time your layer is used.

# Creating variables on build() allows you to make their shape depend

# on the input shape and hence remove the need for the user to specify

# full shapes. It is possible to create variables during __init__() if

# you already know their full shapes.

self.kernel = self.add_variable(

"kernel", [input.shape[-1], self.output_units])


def call(self, input):

# Override call() instead of __call__ so we can perform some bookkeeping.

return tf.matmul(input, self.kernel)

请使用 tf.keras.layers.Dense 层(而不是上面的 MySimpleLayer),因为它具有其功能的超集(它也可以添加偏差)。

将层组合成模型时,可以使用 tf.keras.Sequential 表示由层线性堆叠的模型。它非常适合用于基本模型:

model = tf.keras.Sequential([

tf.keras.layers.Dense(10, input_shape=(784,)), # must declare input shape

tf.keras.layers.Dense(10)

])

 或者,通过继承 tf.keras.Model 将模型划分为不同类别。这是一个本身也是层的层容器,允许 tf.keras.Model 对象包含其他 tf.keras.Model 对象。

class MNISTModel(tf.keras.Model):

def __init__(self):

super(MNISTModel, self).__init__()

self.dense1 = tf.keras.layers.Dense(units=10)

self.dense2 = tf.keras.layers.Dense(units=10)


def call(self, input):

"""Run the model."""

result = self.dense1(input)

result = self.dense2(result)

result = self.dense2(result) # reuse variables from dense2 layer

return result


model = MNISTModel()

因为第一次将输入传递给层时已经设置参数,所以不需要为 tf.keras.Model 类设置输入形状。

tf.keras.layers 类创建并包含自己的模型变量,这些变量与其层对象的生命周期相关联。要共享层变量,请共享其对象。

 

4.Eager 训练

计算梯度

自动微分对于实现机器学习算法(例如用于训练神经网络的反向传播)很有用。在 Eager Execution 期间,请使用 tf.GradientTape 跟踪操作以便稍后计算梯度。

tf.GradientTape 是一种选择性功能,可在不跟踪时提供最佳性能。由于在每次调用期间都可能发生不同的操作,因此所有前向传播操作都会记录到“磁带”中。要计算梯度,请反向播放磁带,然后放弃。特定的 tf.GradientTape 只能计算一个梯度;随后的调用会引发运行时错误。

w = tfe.Variable([[1.0]])

with tf.GradientTape() as tape:

loss = w * w


grad = tape.gradient(loss, [w])

print(grad) # => [tf.Tensor([[ 2.]], shape=(1, 1), dtype=float32)]

下面是一个记录前向传播操作以训练简单模型的 tf.GradientTape 示例:

# A toy dataset of points around 3 * x + 2

NUM_EXAMPLES = 1000

training_inputs = tf.random_normal([NUM_EXAMPLES])

noise = tf.random_normal([NUM_EXAMPLES])

training_outputs = training_inputs * 3 + 2 + noise


def prediction(input, weight, bias):

return input * weight + bias


# A loss function using mean-squared error

def loss(weights, biases):

error = prediction(training_inputs, weights, biases) - training_outputs

return tf.reduce_mean(tf.square(error))


# Return the derivative of loss with respect to weight and bias

def grad(weights, biases):

with tf.GradientTape() as tape:

loss_value = loss(weights, biases)

return tape.gradient(loss_value, [weights, biases])


train_steps = 200

learning_rate = 0.01

# Start with arbitrary values for W and B on the same batch of data

W = tfe.Variable(5.)

B = tfe.Variable(10.)


print("Initial loss: {:.3f}".format(loss(W, B)))


for i in range(train_steps):

dW, dB = grad(W, B)

W.assign_sub(dW * learning_rate)

B.assign_sub(dB * learning_rate)

if i % 20 == 0:

print("Loss at step {:03d}: {:.3f}".format(i, loss(W, B)))


print("Final loss: {:.3f}".format(loss(W, B)))

print("W = {}, B = {}".format(W.numpy(), B.numpy()))

输出(具体数字可能会有所不同):

Initial loss: 71.204

Loss at step 000: 68.333

Loss at step 020: 30.222

Loss at step 040: 13.691

Loss at step 060: 6.508

Loss at step 080: 3.382

Loss at step 100: 2.018

Loss at step 120: 1.422

Loss at step 140: 1.161

Loss at step 160: 1.046

Loss at step 180: 0.996

Final loss: 0.974

W = 3.01582956314, B = 2.1191945076

重播 tf.GradientTape 以计算梯度并将梯度应用于训练循环中。下面是来自 mnist_eager.py 示例的摘录:

 
dataset = tf.data.Dataset.from_tensor_slices((data.train.images,

data.train.labels))

...

for (batch, (images, labels)) in enumerate(dataset):

...

with tf.GradientTape() as tape:

logits = model(images, training=True)

loss_value = loss(logits, labels)

...

grads = tape.gradient(loss_value, model.variables)

optimizer.apply_gradients(zip(grads, model.variables),

global_step=tf.train.get_or_create_global_step())

以下示例将创建一个多层模型,该模型会对标准 MNIST 手写数字进行分类。它演示了在 Eager Execution 环境中构建可训练图的优化器和层 API。

训练模型

即使没有训练,也可以在 Eager Execution 中调用模型并检查输出

# Create a tensor representing a blank image

batch = tf.zeros([1, 1, 784])

print(batch.shape)  # => (1, 1, 784)

result = model(batch)

# => tf.Tensor([[[ 0.  0., ..., 0.]]], shape=(1, 1, 10), dtype=float32)

该示例使用了 TensorFlow MNIST 示例中的 dataset.py 模块,请将该文件下载到本地目录。运行以下命令以将 MNIST 数据文件下载到工作目录并准备要进行训练的 tf.data.Dataset

import dataset  # download dataset.py file

dataset_train = dataset.train('./datasets').shuffle(60000).repeat(4).batch(32)

 为了训练模型,请定义损失函数以进行优化,然后计算梯度。使用优化器更新变量:

def loss(model, x, y):

  prediction = model(x)

  return tf.losses.sparse_softmax_cross_entropy(labels=y, logits=prediction)


def grad(model, inputs, targets):

  with tf.GradientTape() as tape:

    loss_value = loss(model, inputs, targets)

  return tape.gradient(loss_value, model.variables)


optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)


x, y = iter(dataset_train).next()

print("Initial loss: {:.3f}".format(loss(model, x, y)))


# Training loop

for (i, (x, y)) in enumerate(dataset_train):

  # Calculate derivatives of the input function with respect to its parameters.

  grads = grad(model, x, y)

  # Apply the gradient to the model

  optimizer.apply_gradients(zip(grads, model.variables),

                            global_step=tf.train.get_or_create_global_step())

  if i % 200 == 0:

    print("Loss at step {:04d}: {:.3f}".format(i, loss(model, x, y)))


print("Final loss: {:.3f}".format(loss(model, x, y)))

输出(具体数字可能会有所不同):

Initial loss: 2.674

Loss at step 0000: 2.593

Loss at step 0200: 2.143

Loss at step 0400: 2.009

Loss at step 0600: 2.103

Loss at step 0800: 1.621

Loss at step 1000: 1.695

...

Loss at step 6600: 0.602

Loss at step 6800: 0.557

Loss at step 7000: 0.499

Loss at step 7200: 0.744

Loss at step 7400: 0.681

Final loss: 0.670

为了加速训练,可以将计算移至 GPU:
 

with tf.device("/gpu:0"):

  for (i, (x, y)) in enumerate(dataset_train):

    # minimize() is equivalent to the grad() and apply_gradients() calls.

    optimizer.minimize(lambda: loss(model, x, y),

                       global_step=tf.train.get_or_create_global_step())

变量和优化器

tfe.Variable 对象存储在训练期间访问的可变 tf.Tensor 值,以更加轻松地实现自动微分。模型的参数可以作为变量封装在类中。

通过将 tfe.Variable 与 tf.GradientTape 结合使用可以更好地封装模型参数。例如,上面的自动微分示例可以重写为:

class Model(tf.keras.Model):

  def __init__(self):

    super(Model, self).__init__()

    self.W = tfe.Variable(5., name='weight')

    self.B = tfe.Variable(10., name='bias')

  def predict(self, inputs):

    return inputs * self.W + self.B

# A toy dataset of points around 3 * x + 2

NUM_EXAMPLES = 2000

training_inputs = tf.random_normal([NUM_EXAMPLES])

noise = tf.random_normal([NUM_EXAMPLES])

training_outputs = training_inputs * 3 + 2 + noise

# The loss function to be optimized

def loss(model, inputs, targets):

  error = model.predict(inputs) - targets

  return tf.reduce_mean(tf.square(error))

def grad(model, inputs, targets):

  with tf.GradientTape() as tape:

    loss_value = loss(model, inputs, targets)

  return tape.gradient(loss_value, [model.W, model.B])

# Define:

# 1. A model.

# 2. Derivatives of a loss function with respect to model parameters.

# 3. A strategy for updating the variables based on the derivatives.

model = Model()

optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)

print("Initial loss: {:.3f}".format(loss(model, training_inputs, training_outputs)))

# Training loop

for i in range(300):

  grads = grad(model, training_inputs, training_outputs)

  optimizer.apply_gradients(zip(grads, [model.W, model.B]),

                            global_step=tf.train.get_or_create_global_step())

  if i % 20 == 0:

    print("Loss at step {:03d}: {:.3f}".format(i, loss(model, training_inputs, training_outputs)))

print("Final loss: {:.3f}".format(loss(model, training_inputs, training_outputs)))

print("W = {}, B = {}".format(model.W.numpy(), model.B.numpy()))

输出(具体数字可能会有所不同):
 

Initial loss: 69.066

Loss at step 000: 66.368

Loss at step 020: 30.107

Loss at step 040: 13.959

Loss at step 060: 6.769

Loss at step 080: 3.567

Loss at step 100: 2.141

Loss at step 120: 1.506

Loss at step 140: 1.223

Loss at step 160: 1.097

Loss at step 180: 1.041

Loss at step 200: 1.016

Loss at step 220: 1.005

Loss at step 240: 1.000

Loss at step 260: 0.998

Loss at step 280: 0.997

Final loss: 0.996

W = 2.99431324005, B = 2.02129220963

5.在 Eager Execution 期间将对象用于状态

使用 Graph Execution 时,程序状态(如变量)存储在全局集合中,它们的生命周期由 tf.Session 对象管理。相反,在 Eager Execution 期间,状态对象的生命周期由其对应的 Python 对象的生命周期决定。

变量是对象

在 Eager Execution 期间,变量会一直存在,直到相应对象的最后一个引用被移除,然后变量被删除。
 

with tf.device("gpu:0"):

  v = tfe.Variable(tf.random_normal([1000, 1000]))

  v = None  # v no longer takes up GPU memory

基于对象的保存

tfe.Checkpoint 可以将 tfe.Variable 保存到检查点并从中恢复

x = tfe.Variable(10.)

checkpoint = tfe.Checkpoint(x=x)  # save as "x"

x.assign(2.)   # Assign a new value to the variables and save.

save_path = checkpoint.save('./ckpt/')

x.assign(11.)  # Change the variable after saving.

# Restore values from the checkpoint

checkpoint.restore(save_path)

print(x)  # => 2.0

要保存和加载模型,tfe.Checkpoint 会存储对象的内部状态,而不需要隐藏变量。要记录 modeloptimizer 和全局步的状态,请将它们传递到 tfe.Checkpoint
 

model = MyModel()

optimizer = tf.train.AdamOptimizer(learning_rate=0.001)

checkpoint_dir = ‘/path/to/model_dir’

checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt")

root = tfe.Checkpoint(optimizer=optimizer,

model=model,

optimizer_step=tf.train.get_or_create_global_step())


root.save(file_prefix=checkpoint_prefix)

# or

root.restore(tf.train.latest_checkpoint(checkpoint_dir))

面向对象的指标

tfe.metrics 存储为对象。通过将新数据传递给可调用对象来更新指标,并使用 tfe.metrics.result 方法检索结果,例如:

m = tfe.metrics.Mean("loss")

m(0)

m(5)

m.result() # => 2.5

m([8, 9])

m.result() # => 5.5

汇总和 TensorBoard

TensorBoard 是一种可视化工具,用于了解、调试和优化模型训练过程。它使用在执行程序时编写的汇总事件。

tf.contrib.summary 与 Eager Execution 和 Graph Execution 环境兼容。汇总操作(如 tf.contrib.summary.scalar)在模型构建期间被插入。例如,要每 100 个全局步记录一次汇总:

writer = tf.contrib.summary.create_file_writer(logdir)

global_step=tf.train.get_or_create_global_step()  # return global step var

writer.set_as_default()

for _ in range(iterations):

  global_step.assign_add(1)

  # Must include a record_summaries method

  with tf.contrib.summary.record_summaries_every_n_global_steps(100):

    # your model code goes here

    tf.contrib.summary.scalar('loss', loss)

     ...

6.自动微分高级内容

动态模型

tf.GradientTape 也可用于动态模型。这个回溯线搜索算法示例看起来像普通的 NumPy 代码,除了存在梯度并且可微分,尽管控制流比较复杂:

def line_search_step(fn, init_x, rate=1.0):

  with tf.GradientTape() as tape:

    # Variables are automatically recorded, but manually watch a tensor

    tape.watch(init_x)

    value = fn(init_x)

  grad, = tape.gradient(value, [init_x])

  grad_norm = tf.reduce_sum(grad * grad)

  init_value = value

  while value > init_value - rate * grad_norm:

    x = init_x - rate * grad

    value = fn(x)

    rate /= 2.0

  return x, value

 

计算梯度的其他函数

tf.GradientTape 是用于计算梯度的强大接口,还有另一种 Autograd 样式 API 可用于自动微分。如果只用张量和梯度函数编写数学代码,而不使用 tfe.Variables,则这些函数非常有用:

  • tfe.gradients_function - 返回一个函数,该函数会计算其输入函数参数相对于其参数的的导数。输入函数参数必须返回一个标量值。当返回的函数被调用时,它会返回一个 tf.Tensor 对象列表:输入函数的每个参数各对应一个元素。因为任何相关信息都必须作为函数参数传递,所以如果依赖于许多可训练参数,则会变得很难处理。
  • tfe.value_and_gradients_function - 与 tfe.gradients_function 相似,但是当返回的函数被调用时,除了输入函数相对于其参数的导数列表之外,它还会返回输入函数的值。

在以下示例中,tfe.gradients_function 将 square 函数作为参数,并返回一个函数(计算 square 相对于其输入的偏导数)。如果计算输入为 3 时 square 的偏导数,grad(3.0) 会返回 6

def square(x):

  return tf.multiply(x, x)


grad = tfe.gradients_function(square)


square(3.)  # => 9.0

grad(3.)    # => [6.0]


# The second-order derivative of square:

gradgrad = tfe.gradients_function(lambda x: grad(x)[0])

gradgrad(3.)  # => [2.0]


# The third-order derivative is None:

gradgradgrad = tfe.gradients_function(lambda x: gradgrad(x)[0])

gradgradgrad(3.)  # => [None]


# With flow control:

def abs(x):

  return x if x > 0. else -x


grad = tfe.gradients_function(abs)


grad(3.)   # => [1.0]

grad(-3.)  # => [-1.0]

自定义梯度

自定义梯度是在 Eager Execution 和 Graph Execution 中覆盖梯度的一种简单方式。在正向函数中,定义相对于输入、输出或中间结果的梯度。例如,下面是在反向传播中截断梯度范数的一种简单方式:

@tf.custom_gradient

def clip_gradient_by_norm(x, norm):

  y = tf.identity(x)

  def grad_fn(dresult):

    return [tf.clip_by_norm(dresult, norm), None]

  return y, grad_fn

 自定义梯度通常用于为一系列操作提供数值稳定的梯度:

def log1pexp(x):

  return tf.log(1 + tf.exp(x))

grad_log1pexp = tfe.gradients_function(log1pexp)

# The gradient computation works fine at x = 0.

grad_log1pexp(0.)  # => [0.5]

# However, x = 100 fails because of numerical instability.

grad_log1pexp(100.)  # => [nan]

在此处,log1pexp 函数可以通过自定义梯度进行分析简化。下面的实现重用了在前向传播期间计算的 tf.exp(x) 的值,通过消除冗余计算,变得更加高效:

@tf.custom_gradient

def log1pexp(x):

  e = tf.exp(x)

  def grad(dy):

    return dy * (1 - 1 / (1 + e))

  return tf.log(1 + e), grad

grad_log1pexp = tfe.gradients_function(log1pexp)

# As before, the gradient computation works fine at x = 0.

grad_log1pexp(0.)  # => [0.5]

# And the gradient computation also works at x = 100.

grad_log1pexp(100.)  # => [1.0]

 

7.性能

在 Eager Execution 期间,计算会自动分流到 GPU。如果要控制计算运行的位置,可以将其放在 tf.device('/gpu:0')块(或 CPU 等效块)中:

import time


def measure(x, steps):

  # TensorFlow initializes a GPU the first time it's used, exclude from timing.

  tf.matmul(x, x)

  start = time.time()

  for i in range(steps):

    x = tf.matmul(x, x)

    _ = x.numpy()  # Make sure to execute op and not just enqueue it

  end = time.time()

  return end - start


shape = (1000, 1000)

steps = 200

print("Time to multiply a {} matrix by itself {} times:".format(shape, steps))


# Run on CPU:

with tf.device("/cpu:0"):

  print("CPU: {} secs".format(measure(tf.random_normal(shape), steps)))


# Run on GPU, if available:

if tfe.num_gpus() > 0:

  with tf.device("/gpu:0"):

    print("GPU: {} secs".format(measure(tf.random_normal(shape), steps)))

else:

  print("GPU: not found")

输出(确切数字取决于硬件):

Time to multiply a (1000, 1000) matrix by itself 200 times:

CPU: 4.614904403686523 secs

GPU: 0.5581181049346924 secs

 tf.Tensor对象可以被复制到不同的设备来执行其操作:

x = tf.random_normal([10, 10])


x_gpu0 = x.gpu()

x_cpu = x.cpu()


_ = tf.matmul(x_cpu, x_cpu) # Runs on CPU

_ = tf.matmul(x_gpu0, x_gpu0) # Runs on GPU:0


if tfe.num_gpus() > 1:

x_gpu1 = x.gpu(1)

_ = tf.matmul(x_gpu1, x_gpu1) # Runs on GPU:1

基准

对于计算量繁重的模型(如在 GPU 上训练的 ResNet50),Eager Execution 性能与 Graph Execution 相当。但是对于计算量较小的模型来说,这种性能差距会越来越大,并且有很多工作要做,以便为具有大量小操作的模型优化热代码路径。

 

8.处理图

虽然 Eager Execution 增强了开发和调试的交互性,但 TensorFlow Graph Execution 在分布式训练、性能优化和生产部署方面具有优势。不过,编写图形代码不同于编写常规 Python 代码,并且更难以调试。

为了构建和训练由图构建的模型,Python 程序首先构建一个表示计算的图,然后调用 Session.run 来发送该图,以便在基于 C++ 的运行时上执行。这种方式具有以下优势:

  • 使用静态 autodiff 进行自动微分。
  • 可轻松地部署到独立于平台的服务器。
  • 基于图的优化(常见的子表达式消除、常量折叠等)。
  • 编译和内核融合。
  • 自动分发和复制(在分布式系统上放置节点)。

部署为 Eager Execution 编写的代码更加困难:要么从模型生成图,要么直接在服务器上运行 Python 运行时和代码。

编写兼容的代码

为 Eager Execution 编写的相同代码在 Graph Execution 期间也会构建图。在未启用 Eager Execution 的新 Python 会话中运行相同的代码便可实现此目的。

大多数 TensorFlow 操作在 Eager Execution 期间都有效,但需要注意以下几点:

  • 使用 tf.data(而不是队列)进行输入处理,速度更快、更简单。
  • 使用面向对象的层 API,如 tf.keras.layers 和 tf.keras.Model,因为它们有明确的变量存储空间。
  • 大多数模型代码在 Eager Execution 和 Graph Execution 过程中效果一样,但也有例外情况。(例如,使用 Python 控制流更改基于输入的计算的动态模型。)
  • 一旦通过 tf.enable_eager_execution 启用了 Eager Execution,就不能将其关闭。要返回到 Graph Execution,需要启动一个新的 Python 会话。

最好同时为 Eager Execution 和 Graph Execution 编写代码。这样,既可以获得 Eager Execution 的交互式实验和可调试性功能,又能拥有 Graph Execution 的分布式性能优势。

在 Eager Execution 中编写、调试和迭代代码,然后导入模型图用于生产部署。使用 tfe.Checkpoint 保存和恢复模型变量,这样可在 Eager Execution 和 Graph Execution 环境之间移动模型。请参阅 tensorflow/contrib/eager/python/examples 中的示例。

在图环境中使用 Eager Execution

使用 tfe.py_func 在 TensorFlow 图环境中选择性地启用 Eager Execution。在未调用 tf.enable_eager_execution()的情况下使用这种方法。
 

def my_py_func(x):

  x = tf.matmul(x, x)  # You can use tf ops

  print(x)  # but it's eager!

  return x


with tf.Session() as sess:

  x = tf.placeholder(dtype=tf.float32)

  # Call eager function in graph!

  pf = tfe.py_func(my_py_func, [x], tf.float32)

  sess.run(pf, feed_dict={x: [[2.0]]})  # [[4.0]]

转载地址:  https://blog.csdn.net/weixin_39506322/article/details/82316423