Tensorflow Eager Execution入门指南- 专知

Tensorflow Eager Execution入门指南

【导读】本文介绍了最新版的Tensorflow 1.7的功能及其使用方法，重点介绍其中最有趣的功能之一eager_execution，它许用户在不创建静态图的情况下运行tensorflow代码。本文给出了使用eager_execution的步骤及一些注意事项，并不涉及理论知识，如果您已经对Tensorflow有所了解，那么可以阅读以下本文，它能指导您使用这个有趣的功能。

作者 | Keshav Aggarwal

编译 | 专知

参与 | Yingying, Hujun

专知在以前就推出过TensorFlow 1.4 Eager Execution系列教程，欢迎查看。

关于Tensorflow Eager Execution的简要指南 – 走进数据科学

谷歌刚刚在Tensorflow Dev Summit 2018上推出了最新版本的Tensorflow，即Tensorflow 1.7。您可以在文章最后找到链接查看新版本所发生的改变。另外要观看完整Dev Summit(开发峰会)，请访问这里相关链接（文末给出）。

以下是TF 1.7的主要亮点：

使用Eager Execution，你可以在没有session的情况下运行你的代码。

使用您自己的functions轻松解决梯度计算。

支持将数据库里的数据读成用于实验的数据集。

对TensorRT的初始支持，以便您可以优化您的模型。

最有趣的功能之一是eager_execution，允许用户在不创建图形的情况下运行tensorflow代码。让我们尝试一个简单的程序：

注意输出是一个张量而不是实际的数组本身。为了得到数组值，你需要在session中运行它。正如您所知道的，创建大型神经网络时，您无法使用打印查看操作的输出，从而增加了调试的复杂性。要检查操作的输出，您需要运行session并检查session内的输出：

现在让我们换种方式再试一次：

现在通过使用tf.enable_eager_execution（）可以获得实际值。在eager_execution中，操作的输出将是实际值而不是张量。

但tf.enable_eager_execution的使用并不那么简单。看看下一个例子。下面是一段变量声明：

所以声明一个Tensorflow变量会引发一个错误，应该使用tf.contrib.eager.Variable。这意味着我们不能在已有程序中使用eager execution，并希望它能够工作。为了使用eager实现功能，您需要更改您的代码。

其中一个变化是，您可以使用tensorflow数据API来代替使用占位符和变量将数据提供给模型。这通常更快，更易于管理。以下是一个函数，它可根据平整化的图像，标签和批量大小（flattened images, labels and batch_size）来生成数据集。

现在让我们试试这个函数。我们得到下面的结果。我们可以使用迭代器访问数据集中的数据来进行批处理。

我们使用GradientTape记录所有操作以便稍后应用于梯度更新。

grad（）函数返回关于权重和偏差的损失的导数。然后将此传递给optimizer.apply_gradients（）完成梯度下降的过程。

除了上述变化外，几乎所有东西都保持不变。在使用eager execution之前，以下是一些关键点：

1、数据必须使用tensorcow.data.Dataset进行初始化。（也可以使用其他方式，但不建议使用）

2、 eager execution默认在CPU上运行，要使用GPU，需要包含以下代码：with tf.device（'/ gpu：0'）

3、 eager execution不会创建张量图，要构建图只需要删除tf.enable_eager_execution（）即可

4、 eager execution对开发（R&D）有好处，但在生产环境中你应该使用graph execution。

5、您可以保存通过eager execution生成的模型，然后以graph 或eager execution的形式加载该模型。

以下是Google Colaboratory上的工作代码链接，您可以尝试使用该代码。、

https://drive.google.com/file/d/1EEiYUfE63S2IaADXwGT40nH5Ip2iri2-/view?usp=sharing

参考：

https://github.com/tensorflow/tensorflow/releases/tag/v1.7.0

https://www.youtube.com/watch?v=gplTc2F5Wvk

参考链接：

https://towardsdatascience.com/eager-execution-tensorflow-8042128ca7be

-END-

专 · 知

人工智能领域主题知识资料查看获取：【专知荟萃】人工智能领域26个主题知识资料全集（入门/进阶/论文/综述/视频/专家等）

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请扫一扫如下二维码关注我们的公众号，获取人工智能的专业知识！

请加专知小助手微信（Rancho_Fang），加入专知主题人工智能群交流！加入专知主题群（请备注主题类型：AI、NLP、CV、 KG等）交流~

投稿&广告&商务合作：fangquanyi@gmail.com

点击“阅读原文”，使用专知

展开全文

阅读 0+

评论 0+