tensorflow的Eagerexecution怎么创建-创新互联

这篇文章主要介绍“tensorflow的Eager execution怎么创建”，在日常操作中，相信很多人在tensorflow的Eager execution怎么创建问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”tensorflow的Eager execution怎么创建”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

　　一、开始学习 TensorFlow 最简单的方法是使用 Eager Execution，官方提供的教程为Colab notebook，打不开需要梯子，参考其他的吧，比如这个：tensorflow之Eager execution基础

　　从tensorflow之Eager execution基础中，我了解到：

　　啥是Eager Execution?

　　「Eager Execution」，它是一个命令式、由运行定义的接口，一旦从 Python 被调用，其操作立即被执行。

　　这使得入门 TensorFlow 变的更简单，也使研发更直观。

　　Eager Execution 有啥优点?

　　1、快速调试即刻的运行错误并通过 Python 工具进行整合

　　2、借助易于使用的 Python 控制流支持动态模型

　　3、为自定义和高阶梯度提供强大支持

　　4、适用于几乎所有可用的 TensorFlow 运算

　　啥是张量?

　　张量是一个多维数组。与NumPy ndarray对象类似，Tensor对象具有数据类型和形状。

　　此外，Tensors可以驻留在加速器(如GPU)内存中。

　　TensorFlow提供了丰富的操作库(tf.add，tf.matmul，tf.linalg.inv等)，

　　它们使用和生成Tensors。这些操作自动转换本机Python类型。

　　张量的基本创建与使用

　　# -*- coding: utf-8 -*-

　　"""

　　@File : 191206_test_Eager_execution.py

　　@Time : 2019/12/6 11:11

　　@Author : Dontla

　　@Email : sxana@qq.com

　　@Software: PyCharm

　　"""

　　# 导入tensorflow

　　import tensorflow as tf

　　tf.enable_eager_execution()

　　# 创建和使用张量

　　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) #

　　张量的属性

　　每个Tensor都有一个形状和数据类型

　　x = tf.matmul([[1]], [[2, 3]])

　　print(x.shape)

　　print(x.dtype)

　　NumPy array和TensorFlow张量之间最明显的区别

　　张量可以由加速器内存(如GPU，TPU)支持。

　　张量是不可改变的。

　　TensorFlow张量和NumPy nararrays之间的转换

　　TensorFlow操作自动将NumPy ndarrays转换为Tensors。

　　NumPy操作自动将Tensors转换为NumPy ndarrays。

　　通过在Tensors上调用.numpy()方法，可以将张量显式转换为NumPy ndarrays。这些转换通常很容易，因为如果可能，数组和Tensor共享底层内存表示。但是，共享底层表示并不总是可行的，因为Tensor可能托管在GPU内存中，而NumPy阵列总是由主机内存支持，因此转换将涉及从GPU到主机内存的复制。

　　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

　　通过使用GPU进行计算，可以加速许多TensorFlow操作。在没有任何注释的情况下，TensorFlow会自动决定是使用GPU还是CPU进行操作(如有必要，还可以复制CPU和GPU内存之间的张量)。由操作产生的张量通常由执行操作的设备的存储器支持。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)设备名称

　　Tensor.device属性提供托管Tensor内容的设备的完全限定字符串名称。此名称对一组详细信息进行编码，例如，正在执行此程序的主机的网络地址的标识符以及该主机中的设备。这是分布式执行TensorFlow程序所必需的，但我们暂时不会这样做。如果张量位于主机上的第N个张量上，则字符串将以GPU：结尾。

　　(2)显示设备配置

　　TensorFlow中的术语“placement"指的是如何为执行设备分配(放置)各个操作。如上所述，当没有提供明确的指导时，TensorFlow会自动决定执行操作的设备，并在需要时将Tensors复制到该设备。但是，可以使用tf.device上下文管理器将TensorFlow操作显式放置在特定设备上。

到此，关于“tensorflow的Eager execution怎么创建”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注创新互联-成都网站建设公司网站，小编会继续努力为大家带来更多实用的文章！