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(wèn)題上存在疑惑，小編查閱了各式資料，整理出簡(jiǎn)單好用的操作方法，希望對(duì)大家解答”tensorflow的Eager execution怎么創(chuàng)建”的疑惑有所幫助！接下來(lái)，請(qǐng)跟著小編一起來(lái)學(xué)習(xí)吧！

我們提供的服務(wù)有：成都網(wǎng)站設(shè)計(jì)、成都做網(wǎng)站、微信公眾號(hào)開(kāi)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(wèn)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(kāi)始學(xué)習(xí) TensorFlow 最簡(jiǎn)單的方法是使用 Eager Execution，官方提供的教程為Colab notebook，打不開(kāi)需要梯子，參考其他的吧，比如這個(gè)：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(gè)命令式、由運(yùn)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(jiǎn)單，也使研發(fā)更直觀。

　　Eager Execution 有啥優(yōu)點(diǎn)?

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

　　2、借助易于使用的 Python 控制流支持動(dòng)態(tài)模型

　　3、為自定義和高階梯度提供強(qiáng)大支持

　　4、適用于幾乎所有可用的 TensorFlow 運(yùn)算

　　啥是張量?

　　張量是一個(gè)多維數(shù)組。與NumPy ndarray對(duì)象類似，Tensor對(duì)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(kù)(tf.add，tf.matmul，tf.linalg.inv等)，

　　它們使用和生成Tensors。這些操作自動(dòng)轉(zhuǎn)換本機(jī)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(gè)Tensor都有一個(gè)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(dòng)將NumPy ndarrays轉(zhuǎn)換為Tensors。

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

　　通過(guò)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?yàn)槿绻赡埽瑪?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?yàn)門ensor可能托管在GPU內(nèi)存中，而NumPy陣列總是由主機(jī)內(nèi)存支持，因此轉(zhuǎn)換將涉及從GPU到主機(jī)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(guò)使用GPU進(jìn)行計(jì)算，可以加速許多TensorFlow操作。在沒(méi)有任何注釋的情況下，TensorFlow會(huì)自動(dòng)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(chǔ)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(duì)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(jī)的網(wǎng)絡(luò)地址的標(biāo)識(shí)符以及該主機(jī)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(shí)不會(huì)這樣做。如果張量位于主機(jī)上的第N個(gè)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(yǔ)“placement"指的是如何為執(zhí)行設(shè)備分配(放置)各個(gè)操作。如上所述，當(dāng)沒(méi)有提供明確的指導(dǎo)時(shí)，TensorFlow會(huì)自動(dòng)決定執(zhí)行操作的設(shè)備，并在需要時(shí)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(shí)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(shí)，請(qǐng)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(huì)繼續(xù)努力為大家?guī)?lái)更多實(shí)用的文章！

網(wǎng)頁(yè)標(biāo)題：tensorflow的Eagerexecution怎么創(chuàng)建-創(chuàng)新互聯(lián)
文章URL：http://vcdvsql.cn/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(yíng)銷、營(yíng)銷型網(wǎng)站建設(shè)、微信公眾號(hào)、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(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)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(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)