TF 1.0到2.0迁移
在TensorFlow 2.0中，仍然可以运行未经修改的1.x代码（contrib除外）：
import tensorflow.compat.v1 as tf tf.disable_v2_behavior()
但是，这并不能让您利用TensorFlow
2.0中的许多改进。本指南将帮助您升级代码，使其更简单、更高效、更易于维护。
自动转换脚本
第一步是尝试运行升级脚本。
这将在将代码升级到TensorFlow
2.0时执行初始步骤，但是它不能使您的代码适合TensorFlow
2.0。您的代码仍可以使用tf.compat.v1端点来访问占位符、会话、集合和其他1.x样式的功能。
使代码2.0原生化
本指南将介绍将TensorFlow 1.x代码转换为TensorFlow
2.0的几个示例。这些更改将使您的代码利用性能优化和简化的API调用。
在每一种情况下，模式是：
1. 替换tf.Session.run调用
每个tf.Sessionrun调用都应该被Python函数替换：
feed_dict和tf.placeholder变成函数参数
fetches变成函数的返回值
您可以使用标准Python工具（如pdb）逐步调试该函数。如果您对它的工作满意，可以添加一个tf.function装饰器，使其在图形模型下高效运行。有关其工作原理的更多信息，请参阅AutoGraph指南。
2. 使用Python对象来跟踪变量和损失
使用tf.Variable代替tf.get_variable。每个variable_scope可转换成Python对象，通常这是下面几个之一：
tf.keras.layers.layer
tf.keras.Model
tf.Module
如果需要聚合变量列表（如tf.Graph.get_collection（tf.GraphKeys.VARIABLES）），请使用Layer和Model对象的.variables和.trainable_variables属性。
这些Layer和Model类实现了几个其他属性，无需全局几何。他们的.losses属性可以替代使用tf.GraphKeys.LOSSES集合。
有关详细信息，请参阅Keras指南。
3. 升级您的训练循环
使用适用于您的用例的最高级API，最好是tf.keras.Model.fit建立自己的训练循环。
如果您编写自己的训练循环，这些高级函数可以管理很多困难容易遗漏的低级细节。例如，它们会自动收集正则化损失，并在调用模型时设置training=True参数。
4. 升级数据输入管道
使用tf.data数据集进行数据输入，这些对象是高效的、富有表现力的，并且与张量流很好地集成。它们可以直接传递给tf.keras.Model.fit方法。
model.fit(dataset, epochs=5)
它们可以直接在标准Python上进行迭代：
for example_batch, label_batch in dataset: break
转换模型
1. 安装
from __fucture__ import absolute_import, division, print_function
import tensorflow as tf \# pip install –q tensorflow==2.0.0-alpha0
import tensorflow_datasets as tfds
2. 低阶变量和操作执行
低级API使用的示例包括：
使用变量范围来控制重用
使用tf.get_variable创建变量
明确地访问集合
使用以下方式隐式访问集合：
tf.global_variables
tf.losses.get_regularization_loss
使用tf.placeholder设置图形输入
使用session.run执行图
手动初始化变量
转换前
以下是使用TensorFlow 1.x在代码中看起来像这些模式的内容：
in_a = tf.placeholder(dtype=tf.float32, shape=(2))
in_b = tf.placeholder(dtype=tf.float32, shape=(2))
def forward(x):
with tf.variable_scope(‘matmul’, resuse=tf.AUTO_RESUE):
W = tf.get_variable(‘W’, initializer=tf.ones(shape=(2,2)), regularizer=tf.contrib.layers.l2_regularizer(0.04))
b = tf.get_variable(‘b’, initializer=tf.zeros(shape=(2)))
return x \* train_data + b
out_a = model(in_a)
out_b = model(in_b)
reg_loss = tf.losses.get_regularization_loss(scope=’matmul’)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
outs = sess.run([out_a, out_b, reg_loss], feed_dict={in_a: [1, 0], in_b: [0, 1]})
转换后
在转换后的代码中：
变量是本地Python对象
前向函数依然定义了计算
sess.run调用被替换为forward的调用
可以添加可选的tf.function装饰器以提高性能
正则化是手动计算的，不设计任何全局集合
-
没有sessions和placeholders
W = tf.Variable(tf.ones(shape=(2, 2)), name=”W”) b = tf.Variable(tf.zeros(shape=(2)), name=”b”) @tf.function def forward(x): return W \* x + b out_a = forward([1, 0]) print(out_a) out_b = forward([0, 1]) regularizer = tf.keras.regularizers.l2(0.02) reg_loss = regularizer(W)
3. 基于tf.layers的模型
tf.layers模块用于包含依赖于tf.variable_scope来定义和重用变量的层函数。
转换前
def model(x, training, scope=’model’):
with tf.variable_scope(scope, reuse=tf.AUTO_REUSE):
x = tf.layers.conv2d(x, 32, 3, activation=tf.nn.relu, kernel_regularizer = tf.contrib.layers.l2_regularizer(0.04))
x = tf.layers.max_pooling2d(x, (2, 2), 1)
x = tf.layers.flatten(x)
x = tf.layers.dropout(x, 0.1, training=training)
x = tf.layers.dense(x, 64, activation=tf.nn.relu)
x = tf.layers.batch_normalization(x,training=training)
x = tf.layers.dense(x, 10, activation=tf.nn.softmax)
return x
train_out = model(train_data, training=True)
test_out = model(test_data, training=False)
转换后
简单的层堆栈可以整齐地放入tf.keras.Sequence中。（对于更复杂的模型，请参见自定义层和模型，以及函数API）
模型跟踪变量和正则化损失
转换是一对一的，因为它是从tf.layers到tf.keras.layers直接映射的。
大多数参数保持不变，但注意区别：
训练参数在运行时由模型传递给每个层
原来模型函数的第一个参数（intput x）消失，这是因为层将构建模型与调用模型分开了。
同时也要注意：
如果你使用tf.contrib的初始化器的正则化器，那么它们的参数变化会比其他变量更多。
-
代码不在写入集合，因此像tf.losses.get_regularization_loss这样的函数将不再返回这些值，这可能会破坏您的训练循环。
model = tf.keras.Sequential([ tf.keras.layers.Conv2D(32, 3, activation=’relu’, kernel_regularizer=tf.keras.regularizers.l2(0.02), input_shape=(28, 28, 1)), tf.keras.layers.MaxPooling2D(), tf.keras.layers.Flatten(), tf.keras.layers.Dropout(0.1), tf.keras.layers.Dense(64, activation=’relu’), tf.keras.lyaers.BatchNormalization(), tf.keras.layers.Dense(10, activation=’softmax’) ]) train_data = tf.ones(shape=(1, 28, 28, 1)) test_data = tf.ones(shape=(1, 28, 28, 1)) train_out = model(train_data, training=True) print(train_out) test_out = model(test_data, training= False) print(test_out) # 这里是所有可训练的变量 print(len(model.trainable_variables) # 这里是正则化损失 print(model.losses)
4. 混合变量和tf.layers
现存的代码通常将较低级别的TF 1.x变量和操作与较高级的tf.layers混合。
转换前
def model(x, training, scope='model'):
with tf.variable_scope(scope, reuse=tf.AUTO_REUSE):
W = tf.get_variable("W", dtype=tf.float32,
initializer=tf.ones(shape=x.shape),
regularizer=tf.contrib.layers.l2_regularizer(0.04),
trainable=True)
if training:
x = x + W
else:
x = x + W \* 0.5
x = tf.layers.conv2d(x, 32, 3, activation=tf.nn.relu)
x = tf.layers.max_pooling2d(x, (2, 2), 1)
x = tf.layers.flatten(x)
return x
train_out = model(train_data, training=True)
test_out = model(test_data, training=False)
转换后
要转换此代码，请遵循将图层映射到图层的模式，如上例所示。
一般模式是：
在init中收集层参数
在build中构建变量
在call中执行计算并返回结果
tf.variable_scope实际上是它自己的一层，因此将其重写为tf.keras.layers.Layer。有关信息信息请参阅指南。
# 创建自定义图层
class CustomLayer(tf.keras.layers.Layer):
def __init__(self, *args, **kwargs):
super(CustomLayer, self).__init__(*args, **kwargs)
def build(self, input_shape):
self.w = self.add_weight(shape=input_shape[1:],
dtype=tf.float32,
initializer=tf.keras.initializers.ones(),
regularizer=tf.keras.regularizers.l2(0.02),
trainable=True) # 调用方法有时会在图形模式下使用，训练会变成一个张量
@tf.function
def call(self, inputs, training=None):
if training:
return inputs + self.w
else:
return inputs + self.w * 0.5
custom_layer = CustomLayer()
print(custom_layer([1]).numpy())
print(custom_layer([1], training=True).numpy())
train_data = tf.ones(shape=(1, 28, 28, 1))
test_data = tf.ones(shape=(1, 28, 18, 1)) # 构建包含自定义层的模型
model = tf.keras.Sequential([
CustomLayer(input_shape=(28, 28, 1)),
tf.keras.layers.Conv2D(32, 3, activation=’relu’),
tf.keras.layers.MaxPooling2D(),
tf.keras.layers.Flatten()
])
train_out = model(train_data, training=True)
test_out = model(test_data, trainging=False)
需要注意以下几点：
子类化的Keras模型和层需要在v1图（无自动控制依赖关系）和eager模型是运行
将call()封装在tf.function()中以获取自动图和自动控制依赖项
不要忘了调用时需要一个训练参数（tf.Tensor或Python布尔值）
使用self.add_weight()在构造函数或def build()中创建模型变量
在build中，您可以访问数据的形状，因此可以创建具有匹配形状的权重
使用tf.keras.layers.Layser.add_weight可以让Keras跟踪变量和正则化损失
不要将tf.Tensor保存在你的对象中
它们可能在tf.function中或eager上下文中创建，并且这些张量的行为也不同
使用tf.Variables作为状态，它们始终可用于两个上下文
tf.Tensors仅用于中间值
5. 关于Slim和contrib.layers的说明
大量较旧的TensorFlow 1.x代码使用Slim库，该库与TensorFlow
1.x一起打包为tf.contrib.layers。
作为contrib模块，即使在tf.compat.v1中，TensorFlow 2.0中也不再提供此模块。
使用Slim将代码转换为TF 2.0比转换使用tf.layers的存储库更复杂。
实际上，首先将Slim代码转换为tf.layers然后转换为Keras可能是有意义的。
删除arg_scopes，所有args都需要显式
如果您使用它们，请将normalizer_fn和activation_fn拆分为它们自己的图层
可分离的转换层映射到一个或多个不同的Keras层（深度、点和可分离的Keras层）
Slim和tf.layers具有不同的arg名称和默认值
有些args有不同的尺度
如果您使用Slim预训练模型，请尝试使用tf.keras.applications或TFHub
某些tf.contrib图层可能尚未移至核心TensorFlow，而是已移至TF附加组件包。
训练
有多种方式将数据馈送给tf.keras模型，可以是Python生成器和Numpy数据作为输入。
将数据馈送给模型的推荐方法是使用tf.data包，其中包含一组用于处理数据的高性能类。
如果您仍在使用tf.queue，则仅支持这些作为数据结构，而不是数据管道。
1. 使用Datasets
TensorFlow数据集包（tfds）包含用于将预定义数据集加载为tf.data.Dataset对象的使用程序。对于此示例，使用tfds加载MNIST数据集：
datasets, ds_info = tfds.load(name=’mnist’, with_info=True, as_supervised=True)
mnist_train, mnist_test = datasets[‘train’], datasets[‘test’]
然后为训练准备数据：
重新缩放每个图像
打乱样本数据的顺序
-
收集批量图像和标签
BUFFER_SIZE = 10 # 实际代码中使用更大的值 BATCH_SIZE = 64 NUM_EPOCHS = 5 def scale(image, label): image = tf.cast(image, tf.float32) image /= 255 return image, label train_data = mnist_train.map(scale).shuffle(BUFFER_SIZE).batch(BATCH_SIZE).take(5) test_data = mnist_test.map(scale).batch(BATCH_SIZE).take(5) STEPS_PER_EPOCH = 5 # 使示例保持简短，仅返回5个批次 train_data = train_data.take(STEPS_PER_EPOCH) test_data = test_data.take(STEPS_PER_EPOCH) image_batch, label_batch = next(iter(train_data))
2. 使用Keras训练循环
如果你不需要对训练过程进行低级别的控制，建议使用Keras内置的fit、evaluate和predict方法，这些方法提供了一个统一的接口来训练模型，而不管实现是什么（sequential、functional或子类化的）。
这些方法的有点包括：
它们接受Numpy数组、Python生成器和tf.data.Datasets
它们自动应用正则化和激活损失
它们支持用于多设备训练的tf.distribute
它们支持任意的callables作为损失和指标
它们支持回调，如tf.keras.callbacks.TensorBoard和自定义回调
它们具有高性能，可自动使用TensorFlow图形
以下是使用数据集训练模型的示例：
model = tf.keras.Sequential([
tf.keras.layers.Conv2D(32, 3, activation=’relu’, kernel_regularizer=tf.keras.regularizers.l2(0.02), input_shape=(28, 28 ,1)), tf.keras.layers.MaxPooling2D(),
tf.keras.layers.Flatten(),
tf.keras.layers.Dropout(0.1),
tf.keras.layers.Dense(64, activation=’relu’),
tf.keras.layers.BatchNormalization(),
tf.keras.layers.Dense(10, activation=’softmax’) ])
# 模型是没有自定义图层的完整模型
model.compile(optimizer=’adam’, loss=’spare_categorical_crossentropy’, metrics=[‘accuracy’])
model.fit(train_data, epochs=NUM_EPOCHS)
loss, acc = model.evaluate(test_data)
print(“Loss {}, Accuracy {}”.format(loss, acc))
| Epoch 1/5 5/5 [==============================] - 1s 214ms/step - loss: 1.5402 - accuracy: 0.5063 Epoch 2/5 5/5 [==============================] - 0s 18ms/step - loss: 0.5344 - accuracy: 0.8875 Epoch 3/5 5/5 [==============================] - 0s 19ms/step - loss: 0.3505 - accuracy: 0.9406 Epoch 4/5 5/5 [==============================] - 0s 17ms/step - loss: 0.2635 - accuracy: 0.9781 Epoch 5/5 5/5 [==============================] - 0s 19ms/step - loss: 0.2163 - accuracy: 0.9750 5/Unknown - 0s 47ms/step - loss: 1.6750 - accuracy: 0.7781Loss 1.6750491619110108, Accuracy 0.778124988079071 |
3. 编写你自己的训练循环
如果Keras模型的训练步骤适合您，但您需要在该步骤之外进行更多的控制，请考虑在您自己的数据迭代循环中使用tf.keras.model.train_on_batch方法。
记住：许多东西可以作为tf.keras.Callback的实现。
此方法具有上一节中提到的方法的许多优点，但允许用户控制外循环。
您还可以使用tf.keras.model.test_on_batch或tf.keras.Model.evaluate来检查训练期间的性能。
继续训练上面的模型：
# 模型是没有自定义图层的完整模型
model.compile(optimizer=’adam’, loss=’sparse_categorical_crossentropy’, metrics=[‘accuracy’])
metrics_names = model.metrics_names
for epoch in range(NUM_EPOCHS):
# 重置指标
model.reset_metrics()
for image_batch, labels_batch in train_data:
result = model.train_on_batch(image_batch, label_batch)
print(“train: “, “{}: {:.3f}”.format(metrics_names[0], result[0]), “{}: {:.3f}”.format(metrics_names[1], result[1]))
for image_batch, label_batch in test_data:
result = model.test_on_batch(image_batch, label_batch, reset_metrics=False)
print(“\\neval: “, “{}: {:.3f}”.format(metrics_names[0], result[0]), “{}: {:.3f}”.format(metrics_names[1], result[1]))
| train: loss: 0.279 accuracy: 0.938 train: loss: 0.270 accuracy: 0.953 train: loss: 0.282 accuracy: 0.922 train: loss: 0.181 accuracy: 0.984 train: loss: 0.226 accuracy: 0.984 eval: loss: 1.611 accuracy: 0.719 train: loss: 0.119 accuracy: 1.000 train: loss: 0.123 accuracy: 1.000 train: loss: 0.106 accuracy: 1.000 train: loss: 0.135 accuracy: 1.000 train: loss: 0.233 accuracy: 0.953 eval: loss: 1.610 accuracy: 0.784 train: loss: 0.095 accuracy: 1.000 train: loss: 0.097 accuracy: 1.000 train: loss: 0.106 accuracy: 1.000 train: loss: 0.165 accuracy: 0.953 train: loss: 0.165 accuracy: 0.969 eval: loss: 1.599 accuracy: 0.800 train: loss: 0.082 accuracy: 1.000 train: loss: 0.079 accuracy: 1.000 train: loss: 0.067 accuracy: 1.000 train: loss: 0.084 accuracy: 1.000 train: loss: 0.130 accuracy: 0.984 eval: loss: 1.571 accuracy: 0.797 train: loss: 0.069 accuracy: 1.000 train: loss: 0.067 accuracy: 1.000 train: loss: 0.054 accuracy: 1.000 train: loss: 0.061 accuracy: 1.000 train: loss: 0.121 accuracy: 0.984 eval: loss: 1.535 accuracy: 0.819 |
4. 自定义训练步骤
如果您需要更多的灵活性和控制，可以通过实现自己的训练循环来实现，有三个步骤：
迭代Python生成器或tf.data.Dataset以获取样本数据；
使用tf.GradientTape收集渐变；
使用tf.keras.optimizer将权重更新应用于模型。
记住：
始终在子类层和模型的调用方法中包含一个训练参数。
确保在正确设置训练参数的情况下调用模型。
根据使用情况，在对一批数据运行模型之前，模型变量可能不存在。
您需要手动处理模型的正则化损失等事情
请注意相对于v1的简化：
不需要运行变量初始化器，变量在创建时初始化。
不需要添加手动控制依赖项，即使在tf.function中，操作也像在eager模式下一样。
-
上面的模型：
model = tf.keras.Sequential([ tf.keras.layers.Conv2D(32, 3, activation=’relu’, kernel_regularizer=tf.keras.regularizer.l2(0.02), tf.keras.layers.MaxPooling2D(), tf.keras.layers.Flatten(), tf.keras.layers.Dropout(0.1), tf.keras.layers.Dense(64, activation=’relu’), tf.keras.layers.BatchNormalization(), tf.keras.layers.Dense(10, activation=’softmax’) ]) optimizer = tf.keras.optimizers.Adam(0.001) loss_fn = tf.keras.losses.SparseCategoricalCrossentropy() @tf.function def train_step(inputs, labels): with tf.GradientTape() as tape: predictions = model(inputs, training=True) regularization_loss = tf.math.add_n(model.losses) pred_loss = loss_fn(labels, predictions) total_loss = pred_loss + regularization_loss gradients = tape.gradient(total_loss, model.trainable_variables) optimizer.apply_gradients(zip(gradients, model.trainable_variables)) for epoch in range(NUM_EPOCHS): for inputs, labels in train_data: train_step(inputs, labels) print(“Finished epoch”, epoch)
| Finished epoch 0 Finished epoch 1 Finished epoch 2 Finished epoch 3 Finished epoch 4 |
5. 新型指标
在TensorFlow
2.0中，metrics是对象，Metrics对象在eager和tf.functions中运行，一个metrics具有以下方法：
update_state() – 添加新的观察结果
result() – 给定观察值，获取metrics的当前结果
reset_states() – 清除所有观察值
对象本身是可调用的，与update_state一样，调用新观察更新状态，并返回metrics的新结果。
你不需要手动初始化metrics的变量，而且因为TensorFlow
2.0具有自动控制依赖项，所以您也不需要担心这些。
下面的代码使用metrics来跟踪自定义训练循环中观察到的平均损失：
# 创建metrics
loss_metric = tf.keras.metrics.Mean(name=’train_loss’)
accuracy_metrics = tf.keras.metrics.SparseCategoricalAccuracy(name=’train_accuracy’)
@tf.function
def train_step(inputs, labels):
with tf.GradientTape() as tape:
predictions = model(inputs, training=True)
regularization_loss = tf.math.add_n(model.losses)
pred_loss = loss_fn(labels, predictions)
total_loss = pred_loss + regularization_loss
gradients = tape.gradient(total_loss, model.trainable_variables)
optimizer.apply_gradients(zip(gradients, model.trainable_variables))
# 更新metrics
loss_metrics.update_state(total_loss)
accuracy_metrics.update_state(labels, predictions)
for epoch in range(NUM_EPOCHS):
# 重置metrics
loss_metric.reset_states()
accuracy_metric.reset_states()
for inputs, labels in train_data:
train_step(inputs, labels)
# 获取metric结果
mean_loss = loss_metric.result()
mean_accuracy = accuracy_metric.result()
print(“Epoch: “, epoch)
print(“ loss: {:.3f}”.format(mean_loss))
print(“accuracy:: {:.3f}”.format(mean_accuracy))
| Epoch: 0 loss: 0.214 accuracy: 0.984 Epoch: 1 loss: 0.170 accuracy: 0.991 Epoch: 2 loss: 0.142 accuracy: 0.994 Epoch: 3 loss: 0.122 accuracy: 1.000 Epoch: 4 loss: 0.114 accuracy: 0.997 |
保存和加载
1. Checkpoint兼容性
TensorFlow 2.0使用基于对象的检查点。
如果小心的话，仍然可以加载旧式的基于名称的检查点，代码转换过程可能会导致变量名的更改，但是有一些变通的方法。
最简单的方法是将新模型的名称与检查点的名称对齐：
变量仍然都有你可以设置的名称参数。
Keras模型还采用名称参数，并将其设置为变量的前缀。
tf.name_scope函数可用于设置变量名称前缀，这与tf.variable_scope非常不同，它只影响名称，不跟踪变量和重用。
如果这不适合您的用例，请尝试使用tf.compat.v1.train.init_from_checkpoint函数，它需要一个assignment_map参数，该参数指定从旧名称到新名称的映射。
2. 保存的模型兼容性
对于保存的模型没有明显的兼容性问题：
TensorFlow 1.x saved_models在TensorFlow 2.0中工作。
如果支持所有操作，TensorFlow 2.0 saved_models甚至可以在TensorFlow
1.x中加载工作。
Estimators
1. 使用Estimators进行训练
TensorFlow 2.0支持Estimators，使用Estimators时，可以使用TensorFlow
1.x中的input_fn()、tf.extimatro.TrainSpec和tf.estimator.EvalSpec。
以下是使用input_fn和train以及evaluate的示例：
# 定义一个estimator的input_fn
def input_fn():
datasets, ds_info = tfds.load(name’mnish’, with_info=True, as_supervised=True)
mnish_train, mnist_test = datasets[‘train’], datasets[‘test’]
BUFFER_SIZE = 10000
BATCH_SIZE = 64
def scale(image, labels):
image = tf.cast(image, tf.float32)
image /= 255
return image, labels[…, tf.newaxis]
train_data = mnist_train.map(scale).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)
return train_data.repeat()
# 定义 train & eval specs
train_spec = tf.estimator.TrainSpec(input_fn=input_fn, max_steps=STEPS_PER_EPOCH * NUM_EPOCHS)
eval_spec = tf.estimator.EvalSpec(input_fn=input_fn, steps=STEPS_PER_EPOCH)
2. 使用Keras模型定义
在TensorFlow2.0中如何构建estimators存在一些差异。我们建议您使用Keras定义模型，然后使用tf.keras.model_to_estimator将您的模型转换为estimator。下面的代码展示了如何在创建和训练estimator时使用这个功能。
def make_model():
rerurn tf.keras.Sequential([ tf.keras.layers.Conv2D(32, 3, activation=’relu’, kernel_regularizer=tf.keras.regularizers.l2(0.02), inut_shape=(28, 28, 1)),
tf.keras.layers.MaxPooling2D(),
tf.keras.layers.Flatten(),
tf.keras.layers.Dropout(0.1),
tf.keras.layers.Dense(64, activation=’relu’),
tf.keras.layers.BatchNormalization(),
tf.keras.layers.Dense(10, activation=’softmax’) ])
model = make_model()
model.compile(optimizer=’adam’, loss=’sparse_categorical_crossentropy’, metrics=[‘accuracy’])
estimator = tf.keras.estimator.model_to_estimator(keras_model = model)
tf.estimator.train_and_evaluate(estimator, train_spec, eval_spec)
| W0307 18:10:32.629323 140330712794880 estimator.py:1799] Using temporary folder as model directory: /tmp/tmp8dhzipj4 W0307 18:10:33.441684 140330712794880 deprecation.py:323] From /usr/local/lib/python3.5/dist-packages/tensorflow/python/training/training_util.py:238: Variable.initialized_value (from tensorflow.python.ops.variables) is deprecated and will be removed in a future version. Instructions for updating: Use Variable.read_value. Variables in 2.X are initialized automatically both in eager and graph (inside tf.defun) contexts. W0307 18:10:36.949727 140330712794880 deprecation.py:323] From /usr/local/lib/python3.5/dist-packages/tensorflow/python/ops/metrics_impl.py:363: to_float (from tensorflow.python.ops.math_ops) is deprecated and will be removed in a future version. Instructions for updating: Use `tf.cast` instead. W0307 18:10:37.080184 140330712794880 deprecation.py:323] From /usr/local/lib/python3.5/dist-packages/tensorflow/python/training/saver.py:1276: checkpoint_exists (from tensorflow.python.training.checkpoint_management) is deprecated and will be removed in a future version. Instructions for updating: Use standard file APIs to check for files with this prefix. ({'accuracy': 0.65, 'global_step': 25, 'loss': 1.6268775}, []) |
3. 使用自定义model_fn
如果您需要维护现有的自定义estimator
model_fn，则可以将model_fn转换为使用Keras模型。
但是出于兼容性原因，自定义model_fn仍将以1.x样式的图形模式运行，这意味着没有eager
execution，也没有自动控制依赖。
在自定义model_fn中使用Keras模型类似于在自定义训练循环中使用它：
根据mode参数适当设置训练阶段
将模型的trainable_variables显示传递给优化器
但相对于自定义循环，存在重要差异：
使用tf.keras.Model.get_losses_for提取损失，而不是使用model.losses
使用tf.keras.Model.get_updates_for提取模型的更新
以下代码从自定义model_fn创建estimator，说明所有这些问题：
def my_model_fn(features, labels, mode):
model = make_model()
optimizer = tf.compat.v1.train.AdamOptimizer()
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy()
training = (model == tf.estimator.ModeKeys.TRAIN)
predictions = model(features, training=training)
reg_loss = model.get_losses_for(None) + model.get_losses_for(features)
total_loss = loss_fn(labels, predictions) + tf.math.add_n(reg_losses)
accuracy = tf.campat.v1.metrics.accuracy(labels=labels,
predictions=tf.math.argmax(predictions, axis=1), name=’acc_op’)
update_ops = model.get_updates_for(None) + model.get_updates_for(features)
with tf.control_dependencies(update_ops):
train_op = optimizer.minimize( total_loss, var_list=model.trainable_variables, global_step=tf.compat.v1.train.get_or_create_global_step())
return tf.estimator.EstimatorSpec( mode=mode, predictions=predictions, loss=total_loss, train_op=train_op, eval_metric_ops={‘accuracy’:accuracy})
# 创建Estimator & Train
estimator = tf.estimator.Estimator(model_fn=my_model_fn)
tf.estimator.train_and_evaluate(estimator, train_spec, eval_spec)
| W0307 18:10:38.249397 140330712794880 estimator.py:1799] Using temporary folder as model directory: /tmp/tmpj7quc09l W0307 18:10:39.147113 140330712794880 deprecation.py:506] From /usr/local/lib/python3.5/dist-packages/tensorflow/python/training/slot_creator.py:187: calling Zeros._init_ (from tensorflow.python.ops.init_ops) with dtype is deprecated and will be removed in a future version. Instructions for updating: Call initializer instance with the dtype argument instead of passing it to the constructor ({'accuracy': 0.51875, 'global_step': 25, 'loss': 1.619755}, []) |
TensorShape
这个类别简化为int代替tf.compat.v1.Demension对象，所以没有必要调用.value()来获取int。
仍可从tf.TensorShape.dims访问单个tf.compat.v1.Dimension对象。以下演示了TensorFlow
1.x和TensorFlow 2.0之间的区别：
明所有这些问题：
# 创建一个shape并选择一个索引
i = 0 shape = tf.TensorShape([16, None, 256])
print(shape)
value = shape[i].value # TF 1.x
value = shape[i] # TF 2.0
# TF 1.x
for dim in shape:
value = dim.value
print(value)
# TF 2.0
for value in shape:
print(value)
# TF 1.x
dim = shape[i]
dim.assert_is_compatiable_with(other_dim)
# TF 2.0
other_dim = 16
Dimension = tf.compat.v1.Dimension
if shape.rank is None:
dim = Dimension(None)
else: dim = shape.dims[i]
dim.is_compatible_with(other_dim)
shape = tf.TensorShape(None)
if shape:
dim = shape.dims[i]
dim.is_compatible_with(other_dim)
如果已知等级，则tf.TensorShape的布尔值为True，否则为False。
print(bool(tf.TensorShape([]))) # 标量 Scalar
print(bool(tf.TensorShape([0]))) # 0长度的向量 vector
print(bool(tf.TensorShape[1]))) # 1长度的向量 vector
print(bool(tf.TensorShape[None]))) # 未知长度的向量
print(bool(tf.TensorShape([1, 10, 100]))) # 3D tensor
print(bool(tf.TensorShape([None, None, None]))) # 3D tensor with no known dimensions
print()
print(bool(tf.TensorShape(None)))) # 未知等级的张量
| True True True True True True False |
其他行为改变
您可能会遇到TensorFlow 2.0中的一些其他行为变化。
ResourceVariables
TensorFlow
2.0默认创建爱女ResourceVariables，而不是RefVariables。ResourceVariables被锁定用于写入，因此提供更直观的一致性保证。
这可能会改变边缘情况下的行为
这可能偶尔会创建额外的副本，可能会有更高的内存使用量
可以通过将use_resource=False传递给tf.Variable构造函数来禁用此功能
Control Flow
控制流op实现得到了简化，因此在TensorFlow 2.0中生成了不同的图。
结论
回顾一下本节内容：
运行更新脚本
删除contrib
将模型切换为面向对象的样式（Keras）
尽可能使用tf.keras或tf.estimator训练和评估循环
否则，请使用自定义循环，但请未必避免会话和集合
将代码转换为TensorFlow 2.0需要一些工作，但会有以下改变：
更少的代码行
提高清晰度和简洁性
调试更简单