鸿 网 互 联 www.68idc.cn

当前位置 : 服务器租用 > 网络程序脚本 > python > >

tensorflow 1.X迁移至tensorflow2 的代码写法

来源:互联网 作者:佚名 时间:2022-05-14 12:10
目录 目标:代码改写成tf2格式 tf1和tf2区别: 改写内容: tf.placeholder tf.Sess,sess.run 具体例子1: 结论: 目标:代码改写成tf2格式 把tensorflow 1.X中的代码,迁移到tensorflow2中。一些常见的
目录
  • 目标:代码改写成tf2格式
  • tf1和tf2区别:
  • 改写内容:
    • tf.placeholder
    • tf.Sess,sess.run
  • 具体例子1:
    • 结论:

      目标:代码改写成tf2格式

      把tensorflow 1.X中的代码,迁移到tensorflow2中。一些常见的改写经验。包括sess,tf.placeholder, tf.InteractiveSession(),tf.Session()
      tensorflow2相比于tensorflow 1.x版本有较大的变化,且网上现在好多文章的代码都是基于tf1.x版本的,学会简单的转换,帮助我们看代码。
      整体来说,tensorflow2更加简洁了。
      本文将持续更新中。

      当然用tf.compat.v1也能解决部分问题。但是不推荐,毕竟tf2才是未来。

      tf1和tf2区别:

      1、tf1基于图模式,tf2基于eager模式,tf2对程序员更友好,更像是函数,更方便调试。

      2、tf2更向keras靠拢,对分布式训练的支持更好。

      改写内容:

      tf.placeholder

      tensorflow 1.x版本中的placeholder,在tf2中已经被取消,在tf2中,可以用tf.keras.Inputs代替。
      示例:
      tf1中

      input_ids = tf.placeholder(dtype=tf.int32, shape=[None])
      

      tf2中,改写为:

      input_ids = tf.keras.Input(dtype=tf.int32, shape=[None])
      

      tf.Sess,sess.run

      • tensorflow 1.x由于是基于静态图机制(Graph Execution),需要先构造图,然后才真正运行,因此需要用显示调用Session后,才会真正触发计算。对调试代码非常不利。
      • tensorflow 2.x默认是基于动态图机制(Eager Execution),就像常规函数一样,调用时就触发计算。对调试代码非常方便。

      所以,tf1中session部分代码,可以全部去掉。

      示例:

      tf1中

      sess = tf.InteractiveSession()
      sess.run(tf.global_variables_initializer())
      

      tf2中,改写为:直接不要

      具体例子1:

      tf1的代码:

      import tensorflow as tf
      import numpy as np
      
      # 定义一个未知变量input_ids用于存储索引
      input_ids = tf.placeholder(dtype=tf.int32, shape=[None])
      
      # 定义一个已知变量embedding,是一个5*3的矩阵
      embedding = a = np.asarray([[0.1, 0.2, 0.3], [1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3]])
      
      # 根据input_ids中的id,查找embedding中对应的元素
      input_embedding = tf.nn.embedding_lookup(embedding, input_ids)
      
      sess = tf.InteractiveSession()
      sess.run(tf.global_variables_initializer())
      # print(embedding.eval())
      print(sess.run(input_embedding, feed_dict={input_ids: [1, 2, 3, 0, 3, 2, 1]}))
      

      改写tf2代码:

      import tensorflow as tf
      import numpy as np
      
      # 定义一个未知变量input_ids用于存储索引
      input_ids = tf.keras.Input(dtype=tf.int32, shape=[None])
      
      # 定义一个已知变量embedding,是一个5*3的矩阵
      embedding = a = np.asarray([[0.1, 0.2, 0.3], [1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3]])
      
      input_ids = np.array([1, 2, 3, 0, 3, 2, 1])
      # 根据input_ids中的id,查找embedding中对应的元素
      input_embedding = tf.nn.embedding_lookup(embedding, input_ids)
      print(input_embedding)
      

      可见,tf2代码简洁明了不少,多动手试试,就能体会。

      结论:

      深刻体会tf2带来的变革。
      1、体会静态图和动态图的差别
      2、体会对分布式训练的优化(未来写)
      3、体会模型训练的便利性(直接用compile等,keras的便利性。)

      到此这篇关于tensorflow 1.X迁移至tensorflow2 的代码写法的文章就介绍到这了,更多相关tensorflow 1.X迁移至tensorflow2? 内容请搜索鸿网互联以前的文章或继续浏览下面的相关文章希望大家以后多多支持鸿网互联!

      【转自:美国多ip服务器 http://www.558idc.com/mgzq.html 欢迎留下您的宝贵建议】
      上一篇:python内存泄漏排查技巧总结
      下一篇:没有了
      网友评论
      <