这篇文章主要介绍“tensorflow的Eager execution怎么创建”,在日常操作中,相信很多人在tensorflow的Eager execution怎么创建问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”tensorflow的Eager execution怎么创建”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!
一、开始学习 TensorFlow 最简单的方法是使用 Eager Execution,官方提供的教程为Colab notebook,打不开需要梯子,参考其他的吧,比如这个:tensorflow之Eager execution基础
从tensorflow之Eager execution基础中,我了解到:
啥是Eager Execution?
「Eager Execution」,它是一个命令式、由运行定义的接口,一旦从 Python 被调用,其操作立即被执行。
这使得入门 TensorFlow 变的更简单,也使研发更直观。
Eager Execution 有啥优点?
1、快速调试即刻的运行错误并通过 Python 工具进行整合
2、借助易于使用的 Python 控制流支持动态模型
3、为自定义和高阶梯度提供强大支持
4、适用于几乎所有可用的 TensorFlow 运算
啥是张量?
张量是一个多维数组。与NumPy ndarray对象类似,Tensor对象具有数据类型和形状。
此外,Tensors可以驻留在加速器(如GPU)内存中。
TensorFlow提供了丰富的操作库(tf.add,tf.matmul,tf.linalg.inv等),
它们使用和生成Tensors。这些操作自动转换本机Python类型。
张量的基本创建与使用
# -*- coding: utf-8 -*-
"""
@File : 191206_test_Eager_execution.py
@Time : 2019/12/6 11:11
@Author : Dontla
@Email : sxana@qq.com
@Software: PyCharm
"""
# 导入tensorflow
import tensorflow as tf
tf.enable_eager_execution()
# 创建和使用张量
print(tf.add(1,2)) # tf.Tensor(3, shape=(), dtype=int32)
print(tf.add([1, 2], [3, 4])) # tf.Tensor([4 6], shape=(2,), dtype=int32)
print(tf.square(5)) # tf.Tensor(25, shape=(), dtype=int32)
print(tf.reduce_sum([1, 2, 3])) # tf.Tensor(6, shape=(), dtype=int32)
print(tf.encode_base64("hello world")) # tf.Tensor(b'aGVsbG8gd29ybGQ', shape=(), dtype=string)
print(tf.square(2) + tf.square(3)) # tf.Tensor(13, shape=(), dtype=int32)
x = tf.matmul([[1]], [[2, 3]])
print(x) # tf.Tensor([[2 3]], shape=(1, 2), dtype=int32)
print(x.shape) # (1, 2)
print(x.dtype) #
张量的属性
每个Tensor都有一个形状和数据类型
x = tf.matmul([[1]], [[2, 3]])
print(x.shape)
print(x.dtype)
NumPy array和TensorFlow张量之间最明显的区别
张量可以由加速器内存(如GPU,TPU)支持。
张量是不可改变的。
TensorFlow张量和NumPy nararrays之间的转换
TensorFlow操作自动将NumPy ndarrays转换为Tensors。
NumPy操作自动将Tensors转换为NumPy ndarrays。
通过在Tensors上调用.numpy()方法,可以将张量显式转换为NumPy ndarrays。这些转换通常很容易,因为如果可能,数组和Tensor共享底层内存表示。但是,共享底层表示并不总是可行的,因为Tensor可能托管在GPU内存中,而NumPy阵列总是由主机内存支持,因此转换将涉及从GPU到主机内存的复制。
import tensorflow as tf
import numpy as np
tf.enable_eager_execution()
ndarray = np.ones([3, 3])
print(ndarray)
# [[1. 1. 1.]
# [1. 1. 1.]
print("TensorFlow operations convert numpy arrays to Tensors automatically")
tensor = tf.multiply(ndarray, 42)
print(tensor)
# tf.Tensor(
# [[42. 42. 42.]
# [42. 42. 42.]
# [42. 42. 42.]], shape=(3, 3), dtype=float64)
print("And NumPy operations convert Tensors to numpy arrays automatically")
print(np.add(tensor, 1))
# [[43. 43. 43.]
# [43. 43. 43.]
# [43. 43. 43.]]
print("The .numpy() method explicitly converts a Tensor to a numpy array")
print(tensor.numpy())
# [[42. 42. 42.]
# [42. 42. 42.]
# [42. 42. 42.]]
二、GPU加速
通过使用GPU进行计算,可以加速许多TensorFlow操作。在没有任何注释的情况下,TensorFlow会自动决定是使用GPU还是CPU进行操作(如有必要,还可以复制CPU和GPU内存之间的张量)。由操作产生的张量通常由执行操作的设备的存储器支持。例如:
# -*- coding: utf-8 -*-
"""
@File : 191208_test_Eager_execution_once_cls.py
@Time : 2019/12/8 12:25
@Author : Dontla
@Email : sxana@qq.com
@Software: PyCharm
"""
import tensorflow as tf
tf.enable_eager_execution()
x = tf.random_uniform([3, 3])
print("Is there a GPU available: ")
print(tf.test.is_gpu_available()) # True
print("Is the Tensor on GPU #0: "),
print(x.device) # /job:localhost/replica:0/task:0/device:GPU:0
print(x.device.endswith('GPU:0')) # True
(1)设备名称
Tensor.device属性提供托管Tensor内容的设备的完全限定字符串名称。此名称对一组详细信息进行编码,例如,正在执行此程序的主机的网络地址的标识符以及该主机中的设备。这是分布式执行TensorFlow程序所必需的,但我们暂时不会这样做。如果张量位于主机上的第N个张量上,则字符串将以GPU:结尾。
(2)显示设备配置
TensorFlow中的术语“placement"指的是如何为执行设备分配(放置)各个操作。如上所述,当没有提供明确的指导时,TensorFlow会自动决定执行操作的设备,并在需要时将Tensors复制到该设备。但是,可以使用tf.device上下文管理器将TensorFlow操作显式放置在特定设备上。
到此,关于“tensorflow的Eager execution怎么创建”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注亿速云网站,小编会继续努力为大家带来更多实用的文章!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。