Tensorflow 2.0 的新特性介绍——最详细版本

文章目录

  • 有效的TensorFlow 2
    • 重大变化的简要摘要
      • API清理
      • 急于执行
      • 没有更多的全局变量
      • 功能而不是会话
    • 惯用TensorFlow 2.0的建议
      • 将代码重构为较小的函数
      • 使用Keras图层和模型来管理变量
      • 结合使用tf.data.Datasets和@ tf.function
      • 利用带有Python控制流的AutoGraph
      • tf.metrics汇总数据,而tf.summary记录它们
      • 调试时使用tf.config.experimental_run_functions_eagerly()

有效的TensorFlow 2

TensorFlow 2.0中进行了多项更改,以使TensorFlow用户更加高效。 TensorFlow 2.0删除了冗余API ,使API更加一致( 统一RNN , 统一优化器 ),并通过Eager执行更好地与Python运行时集成。

许多RFC解释了TensorFlow 2.0的变化。本指南提出了TensorFlow 2.0开发的外观。假设您对TensorFlow 1.x有所了解。

重大变化的简要摘要

API清理

在TF 2.0中,许多API都已消失或移动 。其中的一些主要更改包括删除tf.apptf.flagstf.logging以支持现在开放源代码的absl-py ,重定位驻留在tf.contrib项目,并通过清理主tf.*名称空间将较少使用的函数移入tf.math子包中。某些API已被其2.0等效项取代tf.summarytf.keras.metricstf.keras.optimizers 。自动应用这些重命名的最简单方法是使用v2升级脚本 。

急于执行

TensorFlow 1.X要求用户通过调用tf.* API手动将抽象语法树 (图形)拼接在一起。然后,它要求用户通过将一组输出张量和输入张量传递给session.run()调用来手动编译抽象语法树。 TensorFlow 2.0急切地执行(就像Python通常一样),在2.0中,图和会话应该感觉像实现细节。

急切执行的一个显着副产品是不再需要tf.control_dependencies() ,因为所有代码行tf.function顺序执行(在tf.function ,具有副作用的代码按写入的顺序执行)。

没有更多的全局变量

TensorFlow 1.X严重依赖隐式全局名称空间。当您调用tf.Variable() ,它将被放到默认图中,即使您丢失了指向它的Python变量,它也将保留在默认图中。然后,您可以恢复该tf.Variable ,但tf.Variable是您知道创建该文件的名称。如果您无法控制变量的创建,则很难做到这一点。结果,各种机制激增,试图再次帮助用户找到其变量,并为框架寻找用户创建的变量:变量作用域,全局集合,诸如tf.get_global_step()tf.global_variables_initializer()类的帮助器方法,优化程序隐式计算所有可训练变量的梯度,依此类推。 TensorFlow 2.0消除了所有这些机制( Variables 2.0 RFC ),转而使用默认机制:跟踪变量!如果您忘记了tf.Variable ,则会收集垃圾。

跟踪变量的要求为用户带来了一些额外的工作,但是对于Keras对象(请参见下文),负担最小化。

功能而不是会话

session.run()调用几乎就像一个函数调用:指定输入和要调用的函数,然后获取一组输出。在TensorFlow 2.0中,您可以使用tf.function()装饰一个Python函数以将其标记为JIT编译,以便TensorFlow将其作为单个图运行( Functions 2.0 RFC )。该机制使TensorFlow 2.0能够获得图形模式的所有优势:

  • 性能:可以优化功能(节点修剪,内核融合等)
  • 可移植性:可以导出/重新导入该函数( SavedModel 2.0 RFC ),允许用户重用和共享模块化TensorFlow函数。
# TensorFlow 1.X
outputs = session.run(f(placeholder), feed_dict={placeholder: input})
# TensorFlow 2.0
outputs = f(input)

借助自由散布Python和TensorFlow代码的功能,用户可以利用Python的表现力。但是可移植的TensorFlow在没有Python解释器的上下文中执行,例如移动,C ++和JavaScript。为了帮助用户避免在添加@tf.function时不必重写代码, AutoGraph将Python构造的子集转换为它们的TensorFlow等效项:

  • for / while - > tf.while_loopbreakcontinue支持)
  • if -> tf.cond
  • for _ in dataset dataset.reduce > dataset.reduce

AutoGraph支持控制流的任意嵌套,这使得可以高效,简洁地实现许多复杂的ML程序,例如序列模型,强化学习,自定义训练循环等。

惯用TensorFlow 2.0的建议

将代码重构为较小的函数

TensorFlow 1.X中的一个常见用法模式是“厨房水槽”策略,该策略先占所有可能计算的并集,然后通过session.run()评估选定的张量。在TensorFlow 2.0中,用户应将其代码重构为较小的函数,并根据需要调用这些函数。通常,没有必要用tf.function装饰每个较小的功能;仅使用tf.function装饰高级计算-例如,训练的一个步骤或模型的向前传递。

使用Keras图层和模型来管理变量

Keras模型和图层提供了方便的variablestrainable_variables属性,这些属性以递归方式收集所有因变量。这使得在使用变量的地方本地管理变量变得容易。

对比:

def dense(x, W, b):
  return tf.nn.sigmoid(tf.matmul(x, W) + b)

@tf.function
def multilayer_perceptron(x, w0, b0, w1, b1, w2, b2 ...):
  x = dense(x, w0, b0)
  x = dense(x, w1, b1)
  x = dense(x, w2, b2)
  ...

# You still have to manage w_i and b_i, and their shapes are defined far away from the code.

使用Keras版本:

# Each layer can be called, with a signature equivalent to linear(x)
layers = [tf.keras.layers.Dense(hidden_size, activation=tf.nn.sigmoid) for _ in range(n)]
perceptron = tf.keras.Sequential(layers)

# layers[3].trainable_variables => returns [w3, b3]
# perceptron.trainable_variables => returns [w0, b0, ...]

Keras图层/模型继承自tf.train.Checkpointable并与@tf.function集成,这使得可以直接从Keras对象进行检查点或导出SavedModels。您不一定必须使用.fit().fit() API来利用这些集成。

这是一个转移学习示例,演示了Keras如何使收集相关变量的子集变得容易。假设您正在使用共享主干训练多头模型:

trunk = tf.keras.Sequential([...])
head1 = tf.keras.Sequential([...])
head2 = tf.keras.Sequential([...])

path1 = tf.keras.Sequential([trunk, head1])
path2 = tf.keras.Sequential([trunk, head2])

# Train on primary dataset
for x, y in main_dataset:
  with tf.GradientTape() as tape:
    # training=True is only needed if there are layers with different
    # behavior during training versus inference (e.g. Dropout).
    prediction = path1(x, training=True)
    loss = loss_fn_head1(prediction, y)
  # Simultaneously optimize trunk and head1 weights.
  gradients = tape.gradient(loss, path1.trainable_variables)
  optimizer.apply_gradients(zip(gradients, path1.trainable_variables))

# Fine-tune second head, reusing the trunk
for x, y in small_dataset:
  with tf.GradientTape() as tape:
    # training=True is only needed if there are layers with different
    # behavior during training versus inference (e.g. Dropout).
    prediction = path2(x, training=True)
    loss = loss_fn_head2(prediction, y)
  # Only optimize head2 weights, not trunk weights
  gradients = tape.gradient(loss, head2.trainable_variables)
  optimizer.apply_gradients(zip(gradients, head2.trainable_variables))

# You can publish just the trunk computation for other people to reuse.
tf.saved_model.save(trunk, output_path)

结合使用tf.data.Datasets和@ tf.function

当遍历适合内存的训练数据时,请随时使用常规Python迭代。否则, tf.data.Dataset是从磁盘流式传输训练数据的最佳方法。数据集是可迭代的(而不是迭代器) ,就像在Eager模式下的其他Python可迭代的一样工作。通过将代码包装在tf.function() ,您可以充分利用数据集异步预取/流功能,该功能将Python迭代替换为使用AutoGraph的等效图形操作。

@tf.function
def train(model, dataset, optimizer):
  for x, y in dataset:
    with tf.GradientTape() as tape:
      # training=True is only needed if there are layers with different
      # behavior during training versus inference (e.g. Dropout).
      prediction = model(x, training=True)
      loss = loss_fn(prediction, y)
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))

如果使用.fit() API,则不必担心数据集迭代。

model.compile(optimizer=optimizer, loss=loss_fn)
model.fit(dataset)

利用带有Python控制流的AutoGraph

AutoGraph提供了一种将依赖数据的控制流转换为等效于tf.condtf.while_loop图形模式的tf.while_loop

依赖于数据的控制流出现的一个常见地方是序列模型。 tf.keras.layers.RNN包装一个RNN单元,使您可以静态或动态展开重复。为了演示起见,您可以按以下方式重新实现动态展开:

class DynamicRNN(tf.keras.Model):

  def __init__(self, rnn_cell):
    super(DynamicRNN, self).__init__(self)
    self.cell = rnn_cell

  def call(self, input_data):
    # [batch, time, features] -> [time, batch, features]
    input_data = tf.transpose(input_data, [1, 0, 2])
    outputs = tf.TensorArray(tf.float32, input_data.shape[0])
    state = self.cell.zero_state(input_data.shape[1], dtype=tf.float32)
    for i in tf.range(input_data.shape[0]):
      output, state = self.cell(input_data[i], state)
      outputs = outputs.write(i, output)
    return tf.transpose(outputs.stack(), [1, 0, 2]), state

有关AutoGraph功能的更详细概述,请参见指南 。

tf.metrics汇总数据,而tf.summary记录它们

要记录摘要,请使用tf.summary.(scalar|histogram|...) ,然后使用上下文管理器将其重定向到作者。 (如果省略上下文管理器,则什么也没有发生。)与TF 1.x不同,摘要直接发送给编写器;没有单独的“合并”操作,也没有单独的add_summary()调用,这意味着必须在调用站点上提供step值。

summary_writer = tf.summary.create_file_writer('/tmp/summaries')
with summary_writer.as_default():
  tf.summary.scalar('loss', 0.1, step=42)

要在将数据记录为摘要之前聚合数据,请使用tf.metrics 。指标是有状态的:当您调用.result()时,它们会累加值并返回累加结果。使用.reset_states()清除累积值。

def train(model, optimizer, dataset, log_freq=10):
  avg_loss = tf.keras.metrics.Mean(name='loss', dtype=tf.float32)
  for images, labels in dataset:
    loss = train_step(model, optimizer, images, labels)
    avg_loss.update_state(loss)
    if tf.equal(optimizer.iterations % log_freq, 0):
      tf.summary.scalar('loss', avg_loss.result(), step=optimizer.iterations)
      avg_loss.reset_states()

def test(model, test_x, test_y, step_num):
  # training=False is only needed if there are layers with different
  # behavior during training versus inference (e.g. Dropout).
  loss = loss_fn(model(test_x, training=False), test_y)
  tf.summary.scalar('loss', loss, step=step_num)

train_summary_writer = tf.summary.create_file_writer('/tmp/summaries/train')
test_summary_writer = tf.summary.create_file_writer('/tmp/summaries/test')

with train_summary_writer.as_default():
  train(model, optimizer, dataset)

with test_summary_writer.as_default():
  test(model, test_x, test_y, optimizer.iterations)

通过将TensorBoard指向摘要日志目录来可视化生成的摘要:

tensorboard --logdir /tmp/summaries

调试时使用tf.config.experimental_run_functions_eagerly()

在TensorFlow 2.0中,Eager执行使您可以逐步运行代码以检查形状,数据类型和值。某些API(例如tf.functiontf.keras等)被设计为使用Graph执行,以提高性能和可移植性。调试时,使用tf.config.experimental_run_functions_eagerly(True)在此代码内使用Eager执行。

例如:

@tf.function 
def f(x): 
	if x > 0:  
		import pdb  
		pdb.set_trace()  
		x = x + 1 
		return x
tf.config.experimental_run_functions_eagerly(True)
f(tf.constant(1))
>>> f()
-> x = x + 1
(Pdb) l 
6   @tf.function 
7   def f(x): 
8    if x > 0: 
9     import pdb 
10     pdb.set_trace() 
11  ->   x = x + 1 
12    return x 
13 
14   tf.config.experimental_run_functions_eagerly(True) 
15   f(tf.constant(1))[EOF]

这也可以在Keras模型和其他支持Eager执行的API中使用:

class CustomModel(tf.keras.models.Model): 
	@tf.function 
	def call(self, input_data):  
		if tf.reduce_mean(input_data) > 0:   
			return input_data  
		else:   
			import pdb   
			pdb.set_trace()   
			return input_data // 2
tf.config.experimental_run_functions_eagerly(True)
model = CustomModel()
model(tf.constant([-2, -4]))
>>> call()-> return input_data // 2
(Pdb) l 
10     if tf.reduce_mean(input_data) > 0: 
11      return input_data 
12     else: 
13      import pdb 
14      pdb.set_trace() 
15  ->    return input_data // 2 
16 
17 
18   tf.config.experimental_run_functions_eagerly(True) 
19   model = CustomModel() 
20   model(tf.constant([-2, -4]))

来源:有效的TensorFlow 2

你可能感兴趣的:(机器学习专栏)