índice
2.1 O modo Eager é conveniente para aprender e depurar modelo
2.2 Características operacionais do modo Eager
2.3 Cálculo do gradiente no modo Eager
3. Código de demonstração do módulo Eager
4 Exemplos de variáveis e operações diferenciais automáticas
Nota: Os dados de teste não precisam estar fora de ordem
Módulo de cálculo de resumo tf.keras.metrics
1. Introdução:
Aprendemos a usar as keras fornecidas API implementar redes neurais, mas por causa de seu grande pacote para a circulação autodefinida e treinamento personalizado é hostil
Podemos usar Eage, usar Eager na reciclagem
2 Introdução:
O modo ansioso do TensorFlow é um ambiente de programação imperativo que nos permite avaliar imediatamente os resultados das operações sem ter que construir um gráfico de cálculo .
Modo de operação rápido e gráfico:
Simplificando: o operador Figura é equivalente a cada etapa do desenho, ansioso por você pode direcionar o resultado
2.1 O modo Eager é conveniente para aprender e depurar modelo
O modo Eager facilita muito o uso do TensorFlow para depurar modelos, aumenta a flexibilidade da depuração da rede e a facilidade do tensorflow para iniciantes. Aqui podemos chamá-lo de modo interativo de tensorflow
- Código intuitivo de construção de interface naturalmente e uso de estruturas de dados Python.
- Repita rapidamente pequenos modelos e pequenos dados.
Mais fácil de depurar - inspecionar diretamente, executar modelos e testar alterações em um ambiente interativo. Durante esse processo, o código relatará erros imediatamente .
O modo de controle de fluxo ansioso natural usa o fluxo de controle Python em vez do fluxo de controle de gráfico, o que simplifica a criação de modelos dinâmicos.
A execução rápida é compatível com a maioria das operações do TensorFlow e aceleração de GPU.
2.2 Características operacionais do modo Eager
- No modo ansioso, a operação do TensorFlow será executada imediatamente e seu valor será retornado ao Python (veja o exemplo mais tarde).
- O objeto tf.Tensor se refere ao valor específico em vez do identificador de símbolo do nó no gráfico de cálculo (pode ser modificado).
- O Tensorflow pode funcionar bem com NumPy no modo Eager . As operações matemáticas do TensorFlow podem combinar objetos Python e matrizes NumPy
- Convertido em objeto tf.Tensor. O método tf.Tensor.numpy retorna o valor do objeto como um ndarray NumPy .
2.3 Cálculo do gradiente no modo Eager
No modo Eager, use tf.GradientTape para rastrear a operação de cálculo do gradiente
Como diferentes operações podem ocorrer durante cada execução, todas as operações de encaminhamento são gravadas na fita . Para calcular o gradiente, a fita será reproduzida e, em seguida, descartada tf.GradientTape particular apenas um cálculo de gradiente ; chamadas subsequentes levarão a erro (RuntimeError) emitido tempo de execução. Você também pode configurar uma recuperação repetível
3. Código de demonstração do módulo Eager
- tf.multiply () Multiplique os elementos correspondentes nas duas matrizes
- tf.matmul () multiplica a matriz a pela matriz b para gerar a * b
4 Exemplos de variáveis e operações diferenciais automáticas
5 treinamento personalizado
Quando não está treinando
Após o treinamento:
Nota: Os dados de teste não precisam estar fora de ordem
Módulo de cálculo de resumo tf.keras.metrics
Você pode encontrar a média m = tf.keras.metrics.Mean ('acc')
A função enumerate () é usada para combinar um objeto de dados percorrível (como uma lista , tupla ou string) em uma sequência de índice e listar dados e subscritos de dados ao mesmo tempo. Geralmente é usada em um loop for.
