tensorflow的Eagerexecution怎么創(chuàng)建-創(chuàng)新互聯(lián)

這篇文章主要介紹“tensorflow的Eager execution怎么創(chuàng)建”，在日常操作中，相信很多人在tensorflow的Eager execution怎么創(chuàng)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(chuàng)建”的疑惑有所幫助！接下來，請跟著小編一起來學(xué)習(xí)吧！

我們提供的服務(wù)有：成都網(wǎng)站設(shè)計、成都做網(wǎng)站、微信公眾號開發(fā)、網(wǎng)站優(yōu)化、網(wǎng)站認(rèn)證、思茅ssl等。為上千余家企事業(yè)單位解決了網(wǎng)站和推廣的問題。提供周到的售前咨詢和貼心的售后服務(wù)，是有科學(xué)管理、有技術(shù)的思茅網(wǎng)站制作公司

　　一、開始學(xué)習(xí) 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(chǔ)

　　從tensorflow之Eager execution基礎(chǔ)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(diào)用，其操作立即被執(zhí)行。

　　這使得入門 TensorFlow 變的更簡單，也使研發(fā)更直觀。

　　Eager Execution 有啥優(yōu)點?

　　1、快速調(diào)試即刻的運行錯誤并通過 Python 工具進(jìn)行整合

　　2、借助易于使用的 Python 控制流支持動態(tài)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(shù)組。與NumPy ndarray對象類似，Tensor對象具有數(shù)據(jù)類型和形狀。

　　此外，Tensors可以駐留在加速器(如GPU)內(nèi)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(zhuǎn)換本機Python類型。

　　張量的基本創(chuàng)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(dǎo)入tensorflow

　　import tensorflow as tf

　　tf.enable_eager_execution()

　　# 創(chuàng)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(shù)據(jù)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(qū)別

　　張量可以由加速器內(nèi)存(如GPU，TPU)支持。

　　張量是不可改變的。

　　TensorFlow張量和NumPy nararrays之間的轉(zhuǎn)換

　　TensorFlow操作自動將NumPy ndarrays轉(zhuǎn)換為Tensors。

　　NumPy操作自動將Tensors轉(zhuǎn)換為NumPy ndarrays。

　　通過在Tensors上調(diào)用.numpy()方法，可以將張量顯式轉(zhuǎn)換為NumPy ndarrays。這些轉(zhuǎn)換通常很容易，因為如果可能，數(shù)組和Tensor共享底層內(nèi)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(nèi)存中，而NumPy陣列總是由主機內(nèi)存支持，因此轉(zhuǎn)換將涉及從GPU到主機內(nèi)存的復(fù)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(jìn)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(jìn)行操作(如有必要，還可以復(fù)制CPU和GPU內(nèi)存之間的張量)。由操作產(chǎn)生的張量通常由執(zhí)行操作的設(shè)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(shè)備名稱

　　Tensor.device屬性提供托管Tensor內(nèi)容的設(shè)備的完全限定字符串名稱。此名稱對一組詳細(xì)信息進(jìn)行編碼，例如，正在執(zhí)行此程序的主機的網(wǎng)絡(luò)地址的標(biāo)識符以及該主機中的設(shè)備。這是分布式執(zhí)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(jié)尾。

　　(2)顯示設(shè)備配置

　　TensorFlow中的術(shù)語“placement"指的是如何為執(zhí)行設(shè)備分配(放置)各個操作。如上所述，當(dāng)沒有提供明確的指導(dǎo)時，TensorFlow會自動決定執(zhí)行操作的設(shè)備，并在需要時將Tensors復(fù)制到該設(shè)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(shè)備上。

到此，關(guān)于“tensorflow的Eager execution怎么創(chuàng)建”的學(xué)習(xí)就結(jié)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(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識，請繼續(xù)關(guān)注創(chuàng)新互聯(lián)-成都網(wǎng)站建設(shè)公司網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>

網(wǎng)頁標(biāo)題：tensorflow的Eagerexecution怎么創(chuàng)建-創(chuàng)新互聯(lián)
文章URL：http://bm7419.com/article28/didpcp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站營銷、營銷型網(wǎng)站建設(shè)、微信公眾號、網(wǎng)站改版、服務(wù)器托管、靜態(tài)網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)