TensorFlow

控制流

tf.cond

a=tf.constant(2) b=tf.constant(3) x=tf.constant(4) y=tf.constant(5) z = tf.multiply(a, b) result = tf.cond(x < y, lambda: tf.add(x, z), lambda: tf.square(y)) with tf.Session() as session:print(result.eval())

tf.case

decode_png = lambda :tf.image.decode_png(image_tensor, channels) decode_jpg = lambda :tf.image.decode_jpeg(image_tensor, channels) decoder = { tf.equal(image_ext, '.png'): decode_png,tf.equal(image_ext, '.jpg'): decode_jpg} image_tensor = tf.case(decoder, default = decode_png, exclusive = True)

TFLite

Tensorflow源代碼中自帶的toco工具，可用于生成一個(gè)可供TensorFlow Lite框架使用的tflite文件。

代碼：

https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/lite/toco

參考：

https://www.jianshu.com/p/fa204a54a956

生成TFLite模型文件

https://mp.weixin.qq.com/s/eSczqqyzh4PZomJL4saxug

出門(mén)問(wèn)問(wèn)：使用TensorFlow Lite在嵌入式端部署熱詞檢測(cè)模型

https://mp.weixin.qq.com/s/U_Pew90j9swIqti3oKEIQg

玩轉(zhuǎn)TensorFlow Lite：有道云筆記實(shí)操案例分享

https://mp.weixin.qq.com/s/lNP9WdzSWE4FjB_-Sjc2aA

TensorFlow Lite for Android初探

Broadcast

Broadcast是一種填充元素以使操作數(shù)的形狀相匹配的操作。例如，對(duì)一個(gè)[3,2]的張量和一個(gè)[3,1]的張量相加在TF中是合法的，TF會(huì)使用默認(rèn)的規(guī)則將[3,1]的張量填充為[3,2]的張量，從而使操作能夠執(zhí)行下去。

參考：

https://www.cnblogs.com/yangmang/p/7125458.html

numpy數(shù)組廣播

https://blog.csdn.net/LoseInVain/article/details/78763303

TensorFlow中的廣播Broadcast機(jī)制

TensorFlow Serving

TensorFlow Serving是一個(gè)用于機(jī)器學(xué)習(xí)模型serving的高性能開(kāi)源庫(kù)。它可以將訓(xùn)練好的機(jī)器學(xué)習(xí)模型部署到線上，使用gRPC作為接口接受外部調(diào)用。更加讓人眼前一亮的是，它支持模型熱更新與自動(dòng)模型版本管理。

代碼：

https://github.com/tensorflow/serving

TensorFlow Serving實(shí)際上是TensorFlow Extended (TFX)的一部分：

https://tensorflow.google.cn/tfx

TFX還包括了Data Validation、Transform和Model Analysis等方面的功能。

參考：

https://zhuanlan.zhihu.com/p/23361413

TensorFlow Serving嘗嘗鮮

http://www.cnblogs.com/xuchenCN/p/5888638.html

tensorflow serving

https://mp.weixin.qq.com/s/iqvpX6QuBEmF_UK9RMu9eQ

TensorFlow Serving入門(mén)

https://mp.weixin.qq.com/s/TL87BY3DdP1bolc0Sxkahg

gRPC客戶(hù)端創(chuàng)建和調(diào)用原理解析

https://zhuanlan.zhihu.com/p/30628048

遠(yuǎn)程通信協(xié)議：從CORBA到gRPC

https://mp.weixin.qq.com/s/b569est_LpcxsoTNWXcfog

TensorFlow Extended幫你快速落地項(xiàng)目

https://mp.weixin.qq.com/s/qOy9fR8Zd3SufvsMmLpoGg

使用TensorFlow Serving優(yōu)化TensorFlow模型

https://mp.weixin.qq.com/s/IPwOZKvDsONegyIuwkG6bQ

將深度學(xué)習(xí)模型部署為web應(yīng)用有多難？答案自己找

https://mp.weixin.qq.com/s/7nugWFKtD-C6cpwm2TyvdQ

手把手教你如何部署深度學(xué)習(xí)模型

op的C++實(shí)現(xiàn)

有的時(shí)候?yàn)榱藢ensorflow的op移植到其他平臺(tái)，需要找到相應(yīng)op的cpu實(shí)現(xiàn)。比如space_to_batch這個(gè)op，它的實(shí)現(xiàn)在：

core/kernels/spacetobatch_op.cc

簡(jiǎn)單的op一般找到這里就可以了，但space_to_batch還要更深一層：

core/kernels/spacetobatch_functor.cc

一般XXX_impl.cc或者XXX_functor.cc才是op實(shí)現(xiàn)真正所在的位置。

此外，TFlite的實(shí)現(xiàn)往往更加簡(jiǎn)單：

tensorflow/contrib/lite/kernels/internal/reference/reference_ops.h

TensorFlow.js

https://mp.weixin.qq.com/s/dqMS4NjmNYs7IFHm8uFM8w

TensorFlow發(fā)布面向JavaScript開(kāi)發(fā)者的機(jī)器學(xué)習(xí)框架TensorFlow.js

https://zhuanlan.zhihu.com/p/35181413

TensorFlow.js人臉識(shí)別—玩轉(zhuǎn)吃豆豆小游戲

https://mp.weixin.qq.com/s/ebLHZAG8H78TsZUKSzAtIw

TF官方博客：基于TensorFlow.js框架的瀏覽器實(shí)時(shí)姿態(tài)估計(jì)

https://mp.weixin.qq.com/s/z6p4A4DfCuK8IBGVGwrtLQ

如何利用TensorFlow.js部署簡(jiǎn)單的AI版“你畫(huà)我猜”圖像識(shí)別應(yīng)用

https://mp.weixin.qq.com/s/NO_XY-JmTpIkoC-fpkZ-qg

在瀏覽器上也能訓(xùn)練神經(jīng)網(wǎng)絡(luò)？TensorFlow.js帶你玩游戲~

Eager Execution

TensorFlow的Eager Execution可立即評(píng)估操作，無(wú)需構(gòu)建圖：操作會(huì)返回具體的值，而不是構(gòu)建以后再運(yùn)行的計(jì)算圖。這也就是所謂的動(dòng)態(tài)圖計(jì)算的概念。

參考：

https://mp.weixin.qq.com/s/Yp2zE85VCx8q67YXvuw5qw

TensorFlow引入了動(dòng)態(tài)圖機(jī)制Eager Execution

https://github.com/ZhuanZhiCode/TensorFlow-Eager-Execution-Examples

Eager Execution的代碼示例

https://mp.weixin.qq.com/s/By_GKPtY6xr8MwkWA6frzA

TensorFlow的動(dòng)態(tài)圖工具Eager怎么用？這是一篇極簡(jiǎn)教程

https://mp.weixin.qq.com/s/Lvd4NfLg0Lzivb4BingV7w

Tensorflow Eager Execution入門(mén)指南

https://mp.weixin.qq.com/s/q6bJfCV5kU8BzvWjOXkCDg

簡(jiǎn)單粗暴TensorFlow Eager教程

https://mp.weixin.qq.com/s/zz8XCykJ6jxbE5J4YwAkEA

一招教你使用tf.keras和eager execution解決復(fù)雜問(wèn)題

Estimator

Estimator是一個(gè)非常高級(jí)的API，其抽象等級(jí)甚至在Keras之上。

Estimator主要包括以下部分：

1.初始化。定義網(wǎng)絡(luò)結(jié)構(gòu)。

2.train。

3.evaluate。

4.predict。

TensorFlow已經(jīng)包含了一些預(yù)置的Estimator。例如：BoostedTreesClassifier、DNNClassifier、LinearClassifier等。具體可參見(jiàn)：

https://tensorflow.google.cn/api_docs/python/tf/estimator

參考：

https://mp.weixin.qq.com/s/a68brFJthczgwiFoUBh30A

TensorFlow數(shù)據(jù)集和估算器介紹

細(xì)節(jié)

執(zhí)行session.run(out)，會(huì)在終端打印out的值，但執(zhí)行res = session.run(out)則不會(huì)。

---

tensorflow的程序中,在main函數(shù)下,都是使用tf.app.run()來(lái)啟動(dòng)。查看源碼可知,該函數(shù)是用來(lái)處理flag解析，然后執(zhí)行main函數(shù)。

https://blog.csdn.net/lujiandong1/article/details/53262612

tensorflow中的tf.app.run()

---

TF提供了一套專(zhuān)門(mén)的IO函數(shù)：tf.gfile。主要優(yōu)點(diǎn)在于：對(duì)于寫(xiě)文件來(lái)說(shuō)，open操作直到真的需要寫(xiě)的時(shí)候才執(zhí)行。

---

遷移學(xué)習(xí)的時(shí)候，有的時(shí)候需要保持某幾層的權(quán)值，在后續(xù)訓(xùn)練中不被改變。這時(shí)，可以在創(chuàng)建Variable時(shí)，令trainable=false。

---

sparse_softmax_cross_entropy_with_logits和softmax_cross_entropy_with_logits的區(qū)別在于：后者的label是一個(gè)one hot的tensor，而前者label直接用對(duì)應(yīng)分類(lèi)的index表示就行了。

blog

http://www.jianshu.com/u/eaec1fc422e9

一個(gè)TF的blog

http://blog.csdn.net/u012436149

一個(gè)TensorFlow+PyTorch的blog

我的TensorFlow實(shí)踐

MNIST+Softmax

代碼：

https://github.com/antkillerfarm/antkillerfarm_crazy/tree/master/python/ml/tensorflow/hello_mnist.py

MNIST+CNN

代碼：

https://github.com/antkillerfarm/antkillerfarm_crazy/tree/master/python/ml/tensorflow/hello_cnn.py

第一個(gè)例子中，我對(duì)CPU的計(jì)算能力還沒(méi)有切膚之痛，但在這里使用CPU差不多要花半個(gè)小時(shí)時(shí)間。。。

總結(jié)

以上是生活随笔為你收集整理的TensorFlow（二）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。