tensorflow2.0学习指南（基础知识） 中文翻译

参见：https://www.tensorflow.org/guide/eager

有很多名词翻译和算法和函数的理解有待进一步研究，忘读者不吝赐教。

即时执行

TensorFlow的即时执行是一种命令式编程环境，它可以立即计算操作，而不构建图形:操作返回具体的值，而不是构建稍后运行的计算图形。这使得开始使用TensorFlow和调试模型变得很容易，而且还减少了样板文件。要跟随本指南，请在交互式python解释器中运行下面的代码示例。

Eager execution是一个用于研究和实验的灵活机器学习平台，提供:

直观的界面结构，您的代码自然和使用Python数据结构。在小模型和小数据上快速迭代。
更容易地调试调用ops直接检查运行的模型和测试更改。使用标准的Python调试工具来立即报告错误。
自然控制流——使用Python控制流代替图形控制流，简化了动态模型的规范。
即时执行支持大部分的TensorFlow操作和GPU加速。

注意:一些模型在启用急执行时可能会遇到开销增加的情况。性能改进正在进行中，但如果发现问题，请提交一个bug并分享您的基准测试。

设置和基本用法

import os
import tensorflow as tf
import cProfile

在Tensorflow 2.0中，默认情况下启用即时执行

tf.executing_eagerly()

现在你可以运行TensorFlow操作，结果将立即返回:

x = [[2.]]
m = tf.matmul(x, x)
print("hello, {}".format(m))

hello, [[4.]]

即时执行将改变TensorFlow操作的行为，现在它们立即进行评估并将其值返回给Python。 tf.Tensor对象引用具体值，而不是计算图中的节点的符号句柄。 由于没有在会话中稍后构建和运行的计算图，因此使用print（）或调试器检查结果很容易评估，打印和检查张量值，不会中断计算梯度的流程。即时执行与NumPy配合得很好。 NumPy操作接收tf.Tensor参数。 TensorFlow tf.math操作将Python对象和NumPy数组转换为tf.Tensor对象。 tf.Tensor.numpy方法将对象的值作为NumPy ndarray返回。

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]]

[[1 2]
 [3 4]]

动态控制流

即时执行的主要好处是，在执行模型时，可以使用宿主语言的所有功能。 因此，例如，可以很容易地编写fizzbuzz：

def fizzbuzz(max_num):
  counter = tf.constant(0)
  max_num = tf.convert_to_tensor(max_num)
  for num in range(1, max_num.numpy()+1):
    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.numpy())
    counter += 1

运行

fizzbuzz(15)

1
2
Fizz
4
Buzz
Fizz
7
8
Fizz
Buzz
11
Fizz
13
14
FizzBuzz

它依赖于张量的值，并在运行时打印这些值。

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）非常有用。 在急切执行期间，请使用tf.GradientTape跟踪用于稍后计算梯度的操作。

您可以使用tf.GradientTape来急切地训练和/或计算渐变。 对于复杂的训练循环特别有用。

由于在每个操作期间可能发生不同的操作，因此所有前向通过操作都被记录到“磁带”中。 要计算梯度，请向后播放磁带，然后丢弃。 特定的tf.GradientTape只能计算一个微分； 随后的调用将引发运行时错误。

w = tf.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)

tf.Tensor([[2.]], shape=(1, 1), dtype=float32)

训练模型

下面的示例创建一个多层模型，该模型对标准MNIST手写数字进行分类。 它演示了在急切的执行环境中构建可训练图的优化器和层API。

# Fetch and format the mnist data
(mnist_images, mnist_labels), _ = tf.keras.datasets.mnist.load_data()

dataset = tf.data.Dataset.from_tensor_slices(
  (tf.cast(mnist_images[...,tf.newaxis]/255, tf.float32),
   tf.cast(mnist_labels,tf.int64)))
dataset = dataset.shuffle(1000).batch(32) #将数据打乱，数值越大，混乱程度越大，按照顺序取出32行数据，最后一次输出可能小于batch

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step

# Build the model
mnist_model = tf.keras.Sequential([
  tf.keras.layers.Conv2D(16,[3,3], activation='relu',
                         input_shape=(None, None, 1)),
  tf.keras.layers.Conv2D(16,[3,3], activation='relu'),
  tf.keras.layers.GlobalAveragePooling2D(),
  tf.keras.layers.Dense(10)
])

即使没有经过训练，也可以调用模型并在急执行时检查输出:

for images,labels in dataset.take(1):
  print("Logits: ", mnist_model(images[0:1]).numpy())

Logits:  [[ 0.06289896 -0.03877686 -0.07346137 -0.03169462  0.02922358 -0.02436475
  -0.00588411  0.03256026  0.01715117 -0.02714448]]

虽然keras模型有一个内置的训练循环(使用fit方法)，但有时您需要更多的定制。下面是一个使用eager实现的训练循环的例子:

optimizer = tf.keras.optimizers.Adam()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

loss_history = []

注意：在tf.debugging中使用assert函数检查条件是否成立。 这在渴望执行和执行图形时起作用。

def train_step(images, labels):
  with tf.GradientTape() as tape:
    logits = mnist_model(images, training=True)
    
    # Add asserts to check the shape of the output.
    tf.debugging.assert_equal(logits.shape, (32, 10))
    
    loss_value = loss_object(labels, logits)

  loss_history.append(loss_value.numpy().mean())
  grads = tape.gradient(loss_value, mnist_model.trainable_variables)
  optimizer.apply_gradients(zip(grads, mnist_model.trainable_variables))

def train(epochs):
  for epoch in range(epochs):
    for (batch, (images, labels)) in enumerate(dataset):
      train_step(images, labels)
    print ('Epoch {} finished'.format(epoch))

train(epochs = 3)

Epoch 0 finished
Epoch 1 finished
Epoch 2 finished

import matplotlib.pyplot as plt

plt.plot(loss_history)
plt.xlabel('Batch #')
plt.ylabel('Loss [entropy]')

Text(0, 0.5, 'Loss [entropy]')

变量和优化器

变量对象存储可变的类似张量的值，在训练过程中访问，从而使自动区分变得更加容易。变量的集合以及对它们进行操作的方法可以封装到层或模型中。 有关详细信息，请参见自定义Keras图层和模型。 图层和模型之间的主要区别在于模型添加了诸如Model.fit，Model.evaluate和Model.save之类的方法。例如，上面的自动微分示例可以重写：

class Linear(tf.keras.Model):
  def __init__(self):
    super(Linear, self).__init__()
    self.W = tf.Variable(5., name='weight')
    self.B = tf.Variable(10., name='bias')
  def call(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(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])

下一步：

创建模型
关于模型参数的损失函数的导数
一种基于导数更新变量的策略

model = Linear()
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)

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

steps = 300
for i in range(steps):
  grads = grad(model, training_inputs, training_outputs)
  optimizer.apply_gradients(zip(grads, [model.W, model.B]))
  if i % 20 == 0:
    print("Loss at step {:03d}: {:.3f}".format(i, loss(model, training_inputs, training_outputs)))

Initial loss: 68.602
Loss at step 000: 65.948
Loss at step 020: 30.156
Loss at step 040: 14.091
Loss at step 060: 6.878
Loss at step 080: 3.637
Loss at step 100: 2.180
Loss at step 120: 1.525
Loss at step 140: 1.231
Loss at step 160: 1.098
Loss at step 180: 1.038
Loss at step 200: 1.011
Loss at step 220: 0.999
Loss at step 240: 0.994
Loss at step 260: 0.991
Loss at step 280: 0.990

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

Final loss: 0.990

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

W = 3.001922369003296, B = 2.0047335624694824

注意：变量一直存在，直到删除对python对象的最后一个引用，并且该变量被删除为止。

基于对象的保存

tf.keras.Model包含一个方便的save_weights方法，使您可以轻松创建检查点：

model.save_weights('weights')
status = model.load_weights('weights')

This section is an abbreviated version of the guide to training checkpoints.

x = tf.Variable(10.)
checkpoint = tf.train.Checkpoint(x=x)

x.assign(2.)   # Assign a new value to the variables and save.
checkpoint_path = './ckpt/'
checkpoint.save('./ckpt/')

'./ckpt/-1'

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

# Restore values from the checkpoint
checkpoint.restore(tf.train.latest_checkpoint(checkpoint_path))

print(x)  # => 2.0

<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>

要保存和加载模型，tf.train.Checkpoint可以存储对象的内部状态，而无需隐藏变量。 要记录模型，优化器和全局步骤的状态，请将它们传递给tf.train.Checkpoint：

model = tf.keras.Sequential([
  tf.keras.layers.Conv2D(16,[3,3], activation='relu'),
  tf.keras.layers.GlobalAveragePooling2D(),
  tf.keras.layers.Dense(10)
])
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
checkpoint_dir = 'path/to/model_dir'
if not os.path.exists(checkpoint_dir):
  os.makedirs(checkpoint_dir)
checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt")
root = tf.train.Checkpoint(optimizer=optimizer,
                           model=model)

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

<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f9abd45f1d0>

注意：在许多训练循环中，将在调用tf.train.Checkpoint.restore之后创建变量。 这些变量在创建后将立即恢复，并且可以使用断言来确保检查点已完全加载。 有关详细信息，请参阅培训检查点指南。

面向对象的指标
tf.keras.metrics作为对象存储。 通过将新数据传递给可调用对象来更新指标，并使用tf.keras.metrics.result方法检索结果，例如：

m = tf.keras.metrics.Mean("loss")
m(0)
m(5)
m.result()  # => 2.5
m([8, 9])
m.result()  # => 5.5

摘要和张量板
TensorBoard是用于了解，调试和优化模型训练过程的可视化工具。 它使用在执行程序时写入的摘要事件。

您可以使用tf.summary记录急切执行中的变量摘要。 例如，要每100个训练步骤记录一次损失摘要：

logdir = "./tb/"
writer = tf.summary.create_file_writer(logdir)

steps = 1000
with writer.as_default():  # or call writer.set_as_default() before the loop.
  for i in range(steps):
    step = i + 1
    # Calculate loss with your real train function.
    loss = 1 - 0.001 * step
    if step % 100 == 0:
      tf.summary.scalar('loss', loss, step=step)

ls tb/
events.out.tfevents.1602033841.kokoro-gcp-ubuntu-prod-892356553.1670.619697.v2

高级自动差异化话题

动态模型tf.GradientTape也可以在动态模型中使用。 回溯线搜索算法的此示例看起来像普通的NumPy代码，除了存在梯度并且可区分之外，尽管控制流程复杂：

def line_search_step(fn, init_x, rate=1.0):
  with tf.GradientTape() as tape:
    # Variables are automatically tracked.
    # But to calculate a gradient from a tensor, you must `watch` it.
    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

@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

自定义渐变通常用于为一系列操作提供数值稳定的渐变：

def log1pexp(x):
  return tf.math.log(1 + tf.exp(x))

def grad_log1pexp(x):
  with tf.GradientTape() as tape:
    tape.watch(x)
    value = log1pexp(x)
  return tape.gradient(value, x)

# The gradient computation works fine at x = 0.
grad_log1pexp(tf.constant(0.)).numpy()

0.5

# However, x = 100 fails because of numerical instability.
grad_log1pexp(tf.constant(100.)).numpy()

nan

在这里，log1pexp函数可以通过自定义梯度进行分析简化。 下面的实现重复使用了在前向传递期间计算的tf.exp（x）的值-通过消除冗余计算来提高效率：

@tf.custom_gradient
def log1pexp(x):
  e = tf.exp(x)
  def grad(dy):
    return dy * (1 - 1 / (1 + e))
  return tf.math.log(1 + e), grad

def grad_log1pexp(x):
  with tf.GradientTape() as tape:
    tape.watch(x)
    value = log1pexp(x)
  return tape.gradient(value, x)

# As before, the gradient computation works fine at x = 0.
grad_log1pexp(tf.constant(0.)).numpy()

0.5

# And the gradient computation also works at x = 100.
grad_log1pexp(tf.constant(100.)).numpy()

1.0

性能

即时执行期间，计算会自动转移到GPU。 如果要控制计算的运行位置，可以将其包含在tf.device（’/ gpu：0’）块（或等效于CPU）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)
  # tf.matmul can return before completing the matrix multiplication
  # (e.g., can return after enqueing the operation on a CUDA stream).
  # The x.numpy() call below will ensure that all enqueued operations
  # have completed (and will also copy the result to host memory,
  # so we're including a little more than just the matmul operation
  # time).
  _ = x.numpy()
  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 tf.config.experimental.list_physical_devices("GPU"):
  with tf.device("/gpu:0"):
    print("GPU: {} secs".format(measure(tf.random.normal(shape), steps)))
else:
  print("GPU: not found")

Time to multiply a (1000, 1000) matrix by itself 200 times:
CPU: 0.9788374900817871 secs
GPU: 0.04241943359375 secs

可以将tf.Tensor对象复制到其他设备以执行其操作：

if tf.config.experimental.list_physical_devices("GPU"):
  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

WARNING:tensorflow:From <ipython-input-1-876293b5769c>:4: _EagerTensorBase.gpu (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.identity instead.
WARNING:tensorflow:From <ipython-input-1-876293b5769c>:5: _EagerTensorBase.cpu (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.identity instead.

基准测试

对于大量计算的模型，例如在GPU上进行ResNet50培训，渴望的执行性能可与tf.function执行媲美。 但是，对于计算量较少的模型，此差距会增大，并且有很多工作需要为具有许多小操作的模型优化热代码路径。

使用功能

即时执行使开发和调试更具交互性，但TensorFlow 1.x样式图的执行在分布式培训，性能优化和生产部署方面具有优势。 为了弥合这一差距，TensorFlow 2.0通过tf.function API引入了函数。 有关更多信息，请参见tf功能指南。