Tabla de contenido
2.1 El modo ansioso es conveniente para aprender y depurar modelos
2.2 Características de funcionamiento del modo Eager
2.3 Cálculo de gradiente en modo Eager
3. Código de demostración del módulo Eager
4 Ejemplos de variables y operaciones diferenciales automáticas
Nota: No es necesario que los datos de prueba estén desordenados
módulo de cálculo de resumen de tf.keras.metrics
1. Introducción:
Aprendemos a usar la API proporcionada por keras para implementar redes neuronales, pero debido a su gran paquete para la circulación autodefinida y el entrenamiento personalizado es hostil
Podemos usar Eage, usar Eager en el reciclaje
2. Introducción:
El modo ansioso de TensorFlow es un entorno de programación imperativo que nos permite evaluar de inmediato los resultados de las operaciones sin tener que construir un gráfico de cálculo .
Modo de operación ansiosa y gráfica:
En pocas palabras: el operador de figura es equivalente a cada paso del dibujo, ansioso por poder dirigir el resultado
2.1 El modo ansioso es conveniente para aprender y depurar modelos
El modo ansioso nos facilita enormemente el uso de TensorFlow para depurar modelos, aumenta la flexibilidad de la depuración de red y la facilidad de tensorflow para principiantes. Aquí podemos llamarlo el modo interactivo de tensorflow
- Interfaz intuitiva que crea código de forma natural y utiliza estructuras de datos de Python.
- Repita rápidamente modelos pequeños y datos pequeños.
Más fácil de depurar, inspeccionar, ejecutar modelos y probar cambios directamente en un entorno interactivo. Durante este proceso, el código informará los errores de inmediato .
El modo ávido de flujo de control natural utiliza el flujo de control de Python en lugar del flujo de control de gráfico, lo que simplifica la creación de modelos dinámicos.
La ejecución ávida admite la mayoría de las operaciones de TensorFlow y la aceleración de GPU.
2.2 Características de funcionamiento del modo Eager
- En el modo ansioso, la operación de TensorFlow se ejecutará inmediatamente y su valor se devolverá a Python (ver el ejemplo más adelante).
- El objeto tf.Tensor se refiere al valor específico en lugar del identificador del símbolo del nodo en el gráfico de cálculo (se puede modificar).
- Tensorflow puede funcionar bien con NumPy en modo Eager . Las operaciones matemáticas de TensorFlow pueden combinar objetos Python y matrices NumPy
- Convertido en objeto tf.Tensor. El método tf.Tensor.numpy devuelve el valor del objeto como un ndarray NumPy .
2.3 Cálculo de gradiente en modo Eager
En modo Eager, use tf.GradientTape para rastrear la operación de cálculo del gradiente
Dado que pueden ocurrir diferentes operaciones durante cada ejecución, todas las operaciones de pase hacia adelante se registran en cinta . Para calcular el gradiente, la cinta se reproducirá y luego se descartará tf.GradientTape en particular solo un cálculo de gradiente ; las llamadas posteriores generarán un error (RuntimeError) emitido en tiempo de ejecución. También puede configurar una recuperación repetible
3. Código de demostración del módulo Eager
- tf.multiply () Multiplica los elementos correspondientes en las dos matrices
- tf.matmul () multiplica la matriz a por la matriz b para generar a * b
4 Ejemplos de variables y operaciones diferenciales automáticas
5 Entrenamiento personalizado
Cuando no entrena
Después de entrenar:
Nota: No es necesario que los datos de prueba estén desordenados
módulo de cálculo de resumen de tf.keras.metrics
Puede encontrar la media m = tf.keras.metrics.Mean ('acc')
La función enumerate () se utiliza para combinar un objeto de datos transitable (como una lista , tupla o cadena) en una secuencia de índice y enumerar datos y subíndices de datos al mismo tiempo. Generalmente se utiliza en un bucle for.
