tensorflow的Eager execution怎么創建

這篇文章主要介紹“tensorflow的Eager execution怎么創建”，在日常操作中，相信很多人在tensorflow的Eager execution怎么創建問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”tensorflow的Eager execution怎么創建”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

　　一、開始學習 TensorFlow 最簡單的方法是使用 Eager Execution，官方提供的教程為Colab notebook，打不開需要梯子，參考其他的吧，比如這個：tensorflow之Eager execution基礎

　　從tensorflow之Eager execution基礎中，我了解到：

　　啥是Eager Execution?

　　「Eager Execution」，它是一個命令式、由運行定義的接口，一旦從 Python 被調用，其操作立即被執行。

　　這使得入門 TensorFlow 變的更簡單，也使研發更直觀。

　　Eager Execution 有啥優點?

　　1、快速調試即刻的運行錯誤并通過 Python 工具進行整合

　　2、借助易于使用的 Python 控制流支持動態模型

　　3、為自定義和高階梯度提供強大支持

　　4、適用于幾乎所有可用的 TensorFlow 運算

　　啥是張量?

　　張量是一個多維數組。與NumPy ndarray對象類似，Tensor對象具有數據類型和形狀。

　　此外，Tensors可以駐留在加速器(如GPU)內存中。

　　TensorFlow提供了豐富的操作庫(tf.add，tf.matmul，tf.linalg.inv等)，

　　它們使用和生成Tensors。這些操作自動轉換本機Python類型。

　　張量的基本創建與使用

　　# -*- coding: utf-8 -*-

　　"""

　　@File : 191206_test_Eager_execution.py

　　@Time : 2019/12/6 11:11

　　@Author : Dontla

　　@Email : sxana@qq.com

　　@Software: PyCharm

　　"""

　　# 導入tensorflow

　　import tensorflow as tf

　　tf.enable_eager_execution()

　　# 創建和使用張量

　　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) #

　　張量的屬性

　　每個Tensor都有一個形狀和數據類型

　　x = tf.matmul([[1]], [[2, 3]])

　　print(x.shape)

　　print(x.dtype)

　　NumPy array和TensorFlow張量之間最明顯的區別

　　張量可以由加速器內存(如GPU，TPU)支持。

　　張量是不可改變的。

　　TensorFlow張量和NumPy nararrays之間的轉換

　　TensorFlow操作自動將NumPy ndarrays轉換為Tensors。

　　NumPy操作自動將Tensors轉換為NumPy ndarrays。

　　通過在Tensors上調用.numpy()方法，可以將張量顯式轉換為NumPy ndarrays。這些轉換通常很容易，因為如果可能，數組和Tensor共享底層內存表示。但是，共享底層表示并不總是可行的，因為Tensor可能托管在GPU內存中，而NumPy陣列總是由主機內存支持，因此轉換將涉及從GPU到主機內存的復制。

　　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

　　通過使用GPU進行計算，可以加速許多TensorFlow操作。在沒有任何注釋的情況下，TensorFlow會自動決定是使用GPU還是CPU進行操作(如有必要，還可以復制CPU和GPU內存之間的張量)。由操作產生的張量通常由執行操作的設備的存儲器支持。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)設備名稱

　　Tensor.device屬性提供托管Tensor內容的設備的完全限定字符串名稱。此名稱對一組詳細信息進行編碼，例如，正在執行此程序的主機的網絡地址的標識符以及該主機中的設備。這是分布式執行TensorFlow程序所必需的，但我們暫時不會這樣做。如果張量位于主機上的第N個張量上，則字符串將以GPU：結尾。

　　(2)顯示設備配置

　　TensorFlow中的術語“placement"指的是如何為執行設備分配(放置)各個操作。如上所述，當沒有提供明確的指導時，TensorFlow會自動決定執行操作的設備，并在需要時將Tensors復制到該設備。但是，可以使用tf.device上下文管理器將TensorFlow操作顯式放置在特定設備上。

到此，關于“tensorflow的Eager execution怎么創建”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！