标签：tensorflow2 constant 静态 30 days 计算 tf world hello

有三种计算图的构建方式：静态计算图、动态计算、以及Autograph

在TensorFlow1.0时代，采用的是静态计算图，需要先使用TensorFlow的各种算子创建计算图，然后再开启一个会话Session，显式执行计算图

而在TensorFlow2.0时代，采用的是动态计算图，即每使用一个算子后，该算子会被动态加入到隐含的默认计算图中立即执行得到结果，而无需开启Session

使用动态计算图即Eager Execution的好处是方便调试程序，它会让TensorFlow代码的变现和Python原生代码的表现一致，写起来像numpy一样，各种日志打印，控制流全部都是可以使用的

使用动态计算图的缺点是运行效率相对会低一些。因为使用动态图会有许多次Python进程和TensorFlow的C++进程之间的通信。而静态计算图构建完成之后几乎全部在TensorFlow内核上使用C++代码执行，效率更高。此外静态计算图会对计算步骤进行一定的优化，剪去和结果无关的计算步骤

如果需要在TensorFlow2.0中使用静态计算图，可以使用@tf.function装饰器将普通的Python函数转换成对应的TensorFlow计算图构建代码。运行该函数就相当于在TensorFlow1.0中用Session执行代码。使用tf.function构建静态计算图的方式叫作Autograph

计算图简介

计算图由节点(nodes)和线(edges)组成

节点表示操作符Operator，或者称之为算子，线表示计算间的依赖

实线表示有数据传递依赖，传递的数据即张量

虚线通常可以表示控制依赖，即执行先后顺序

静态计算图

在TensorFlow1.0中，使用静态计算图分两步，第一步定义计算图，第二步在会话中执行计算图

# TensorFlow 1.0静态计算图范例
import tensorflow as tf

#定义计算图
g = tf.Graph()
with g.as_default():
    #placeholder为占位符，执行会话时候指定填充对象
    x = tf.placeholder(name='x', shape=[], dtype=tf.string)  
    y = tf.placeholder(name='y', shape=[], dtype=tf.string)
    z = tf.string_join([x,y],name = 'join',separator=' ')

#执行计算图
with tf.Session(graph = g) as sess:
    print(sess.run(fetches = z,feed_dict = {x:"hello",y:"world"}))

TensorFlow2.0为了确保对老版本TensorFlow项目的兼容性，在tf.compat.v1子模块中保留了对TensorFlow1.0那种静态计算图构建风格的支持，可称之为怀旧版静态计算图，已经不推荐使用了

import tensorflow as tf

g = tf.compat.v1.Graph()
with g.as_default():
    x = tf.compat.v1.placeholder(name='x', shape=[], dtype=tf.string)
    y = tf.compat.v1.placeholder(name='y', shape=[], dtype=tf.string)
    z = tf.strings.join([x, y], name='join', separator=' ')
with tf.compat.v1.Session(graph=g) as sess:
    # fetches的结果非常像一个函数的返回值，而feed_dict中的占位符相当于函数的参数序列
    result = sess.run(fetches=z, feed_dict={x: 'hello', y: 'world'})
    print(result)
"""
b'hello world'
"""

动态计算图

在TensorFlow2.0中，使用的是动态计算图和Autograph

在TensorFlow1.0中，使用静态计算图分两步，第一步是定义计算图，第二步会在会话中执行计算图

动态计算图已经不区分计算图的定义和执行了，而是定义后立即执行，因此称之为Eager Execution，Eager这个英文单词的愿意是“迫不及待的”，也就是立即执行的意思

# 动态计算图在每个算子处都进行构建，构建后立即执行
x = tf.constant('hello')
y = tf.constant('world')
z = tf.strings.join([x, y], separator=' ')
tf.print(z)
"""
hello world
"""

# 可以将动态计算图代码的输入和输出关系封装成函数
def strjoin(x, y):
    z = tf.strings.join([x, y], separator=' ')
    tf.print(z)
    return z

result = strjoin(tf.constant('hello'), tf.constant('world'))
print(result)
"""
hello world
tf.Tensor(b'hello world', shape=(), dtype=string)
"""

TensorFlow2.0的Autograph

动态计算图运行效率相对较低

可以用@tf.function装饰器将普通Python函数转换成TensorFlow1.0对应的静态计算图构建代码

在TensorFlow1.0中，使用计算图分两步，第一步定义计算图，第二步在会话中执行计算图

在TensorFlow2.0中，如果采用Autograph的方式使用计算图，第一步定义计算图变成了定义函数，第二步执行计算图变成了调用函数

不需要使用会话了，一切都像原生的Python语法一样自然

实践中，我们一般会先用动态计算图调试代码，然后在需要提高性能的地方利用@tf.function切换成Autograph获得更高的效率

当然@tf.function的使用需要遵循一定的规范，后面章节重点介绍

import tensorflow as tf

# 使用autograph构建静态计算图

@tf.function
def strjoin(x, y):
    z = tf.strings.join([x, y], separator=' ')
    tf.print(z)
    return z

result = strjoin(tf.constant('hello'), tf.constant('world'))
print(result)

"""
hello world
tf.Tensor(b'hello world', shape=(), dtype=string)
"""

import datetime

# 创建日志
import os
# stamp = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
# logdir = os.path.join('data', 'autograph', stamp)

# 在Python3下建议使用pathlib修正操作系统的路径
from pathlib import Path
stamp = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
logdir = str(Path('./data/autograph/' + stamp))

writer = tf.summary.create_file_writer(logdir)

# 开启autograph跟踪
tf.summary.trace_on(graph=True, profiler=True)

# 执行autograph
result = strjoin(tf.constant('hello'), tf.constant('world'))

# 将计算图信息写入日志
with writer.as_default():
    tf.summary.trace_export(
        name='autograph',
        step=0,
        profiler_outdir=logdir
    )
    
"""
hello world
"""

# 启动tensorboard在jupyter中的魔法命令
%load_ext tensorboard

# 启动tensorboard
%tensorboard --logdir ./data/autograph/

标签：tensorflow2,constant,静态,30,days,计算,tf,world,hello
来源： https://www.cnblogs.com/lotuslaw/p/16098262.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。