亲宝软件园·资讯

展开

tensorflow 1.X迁移至tensorflow2

浪漫的数据分析 人气:0

目标:代码改写成tf2格式

把tensorflow 1.X中的代码,迁移到tensorflow2中。一些常见的改写经验。包括sess,tf.placeholder, tf.InteractiveSession(),tf.Session()
tensorflow2相比于tensorflow 1.x版本有较大的变化,且网上现在好多文章的代码都是基于tf1.x版本的,学会简单的转换,帮助我们看代码。
整体来说,tensorflow2更加简洁了。
本文将持续更新中。

当然用tf.compat.v1也能解决部分问题。但是不推荐,毕竟tf2才是未来。

tf1和tf2区别:

1、tf1基于图模式,tf2基于eager模式,tf2对程序员更友好,更像是函数,更方便调试。

2、tf2更向keras靠拢,对分布式训练的支持更好。

改写内容:

tf.placeholder

tensorflow 1.x版本中的placeholder,在tf2中已经被取消,在tf2中,可以用tf.keras.Inputs代替。
示例:
tf1中

input_ids = tf.placeholder(dtype=tf.int32, shape=[None])

tf2中,改写为:

input_ids = tf.keras.Input(dtype=tf.int32, shape=[None])

tf.Sess,sess.run

所以,tf1中session部分代码,可以全部去掉。

示例:

tf1中

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())

tf2中,改写为:直接不要

具体例子1:

tf1的代码:

import tensorflow as tf
import numpy as np

# 定义一个未知变量input_ids用于存储索引
input_ids = tf.placeholder(dtype=tf.int32, shape=[None])

# 定义一个已知变量embedding,是一个5*3的矩阵
embedding = a = np.asarray([[0.1, 0.2, 0.3], [1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3]])

# 根据input_ids中的id,查找embedding中对应的元素
input_embedding = tf.nn.embedding_lookup(embedding, input_ids)

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
# print(embedding.eval())
print(sess.run(input_embedding, feed_dict={input_ids: [1, 2, 3, 0, 3, 2, 1]}))

改写tf2代码:

import tensorflow as tf
import numpy as np

# 定义一个未知变量input_ids用于存储索引
input_ids = tf.keras.Input(dtype=tf.int32, shape=[None])

# 定义一个已知变量embedding,是一个5*3的矩阵
embedding = a = np.asarray([[0.1, 0.2, 0.3], [1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3]])

input_ids = np.array([1, 2, 3, 0, 3, 2, 1])
# 根据input_ids中的id,查找embedding中对应的元素
input_embedding = tf.nn.embedding_lookup(embedding, input_ids)
print(input_embedding)

可见,tf2代码简洁明了不少,多动手试试,就能体会。

结论:

深刻体会tf2带来的变革。
1、体会静态图和动态图的差别
2、体会对分布式训练的优化(未来写)
3、体会模型训练的便利性(直接用compile等,keras的便利性。)

加载全部内容

相关教程
猜你喜欢
用户评论