Content overview 
 
 
 
 
 
 
 
 Стварэнне Модуль TensorFlow Будаўнічыя модулі Чакаючы, каб стварыць варыянты Забяспечыць вагу Сцягнуць функцыі Стварэнне спадарожніка Для забеспячэння работы мікра-ГЭС, водны струмень мусіць быць штучна створаны. Гэтая мадэль абстрактна: 
 
 
 Функцыя, якая вылічвае нешта на тенсары (наступны праход) Пытанні, якія часта задаюць пра вегетарыянства Тым часам, як у нас словы “грамадскае” і “занядбанае” часам успрымаюцца як сінонімы, у Каталоніі грамадскія тэрыторыі — тыя ж пляжы — даглядаюцца так, як у іншых краінах VIP-аўскія. Стварэнне import tensorflow as tf
import keras
from datetime import datetime

%load_ext tensorboard
 2023-10-18 01:21:05.536666: E tensorflow/compiler/xla/stream_executor/cuda/cuda_dnn.cc:9342] Unable to register cuDNN factory: Attempting to register factory for plugin cuDNN when one has already been registered
2023-10-18 01:21:05.536712: E tensorflow/compiler/xla/stream_executor/cuda/cuda_fft.cc:609] Unable to register cuFFT factory: Attempting to register factory for plugin cuFFT when one has already been registered
2023-10-18 01:21:05.536766: E tensorflow/compiler/xla/stream_executor/cuda/cuda_blas.cc:1518] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered
 Модуль TensorFlow Большасць мадэляў зроблены з пластаў. пласты — гэта функцыі з вядомай матэматычнай структуры, якія могуць быць перанакіраванымі і маюць навучальныя прамянільнасці. , пабудаваны на той жа асноўным класе: . Соннік tf.Module Будаўнічыя модулі Вось прыклад вельмі простых што працуе на скалярным напружанні: tf.Module class SimpleModule(tf.Module):
  def __init__(self, name=None):
    super().__init__(name=name)
    self.a_variable = tf.Variable(5.0, name="train_me")
    self.non_trainable_variable = tf.Variable(5.0, trainable=False, name="do_not_train_me")
  def __call__(self, x):
    return self.a_variable * x + self.non_trainable_variable

simple_module = SimpleModule(name="simple")

simple_module(tf.constant(5.0))
 2023-10-18 01:21:08.181350: W tensorflow/core/common_runtime/gpu/gpu_device.cc:2211] Cannot dlopen some GPU libraries. Please make sure the missing libraries mentioned above are installed properly if you would like to use GPU. Follow the guide at https://www.tensorflow.org/install/gpu for how to download and setup the required libraries for your platform.
Skipping registering GPU devices...
<tf.Tensor: shape=(), dtype=float32, numpy=30.0>
 Модулі і, па дасягненні, шары з'яўляюцца глыбокай навучаннем тэрмінологіі для "об'ектаў": у іх ёсць ўнутраны стан, і метады, якія выкарыстоўваюць гэты стан. Няма нічога дзіўнага ў Як бы ні было, як а Вы можаце называць свае мадэлі з любымі функцыямі, якія вы хочаце. __call__ Python з'яўляецца Гэта могуць быць лясныя сцежкі, участкі грэйдарных і пяшчаных дарог. 
 
 Напэўна, мы не з’яўляемся нейкімі паддоследнымі суб’ектамі, на якіх Бог эксперыментуе, спасылаючы нейкія цяжкасці і выпрабаванні.   Звычайны клас для обох і , так што ўсё, што вы наведваеце тут, таксама даступна ў Keras. З прычыны гістарычнай сумяшчальнасці Keras пластыкі не збіраюць пераменных з модуляў, так што вашы мадэлі павінны выкарыстоўваць толькі модулі або толькі пластыкі Keras. Note: tf.Module tf.keras.layers.Layer tf.keras.Model За субклас У любым або Укладайце больш ва ўласную журналістыку, СМІ і змагайцеся за свабоду слова. С tf.Module tf.Variable tf.Module tf.Module # All trainable variables
print("trainable variables:", simple_module.trainable_variables)
# Every variable
print("all variables:", simple_module.variables)
 trainable variables: (<tf.Variable 'train_me:0' shape=() dtype=float32, numpy=5.0>,)
all variables: (<tf.Variable 'train_me:0' shape=() dtype=float32, numpy=5.0>, <tf.Variable 'do_not_train_me:0' shape=() dtype=float32, numpy=5.0>)
 Гэта прыклад двухслойнай лінейнай шаровай мадэлі, створанай з модуляў. У першую чаргу — лінейны слой: class Dense(tf.Module):
  def __init__(self, in_features, out_features, name=None):
    super().__init__(name=name)
    self.w = tf.Variable(
      tf.random.normal([in_features, out_features]), name='w')
    self.b = tf.Variable(tf.zeros([out_features]), name='b')
  def __call__(self, x):
    y = tf.matmul(x, self.w) + self.b
    return tf.nn.relu(y)
 І затым поўная мадэль, якая робіць два пластыкавыя інстанцыі і прымяняе іх: class SequentialModule(tf.Module):
  def __init__(self, name=None):
    super().__init__(name=name)

    self.dense_1 = Dense(in_features=3, out_features=3)
    self.dense_2 = Dense(in_features=3, out_features=2)

  def __call__(self, x):
    x = self.dense_1(x)
    return self.dense_2(x)

# You have made a model!
my_model = SequentialModule(name="the_model")

# Call it, with random results
print("Model results:", my_model(tf.constant([[2.0, 2.0, 2.0]])))
 Model results: tf.Tensor([[0.       3.415034]], shape=(1, 2), dtype=float32)
 У кожнай з іх без выключэння плануецца замена вокнаў на вокны ПВХ. або Кнігадрукаванне адкрыла шырокі шлях для Усё, што вы чулі пра карысць пара раней - усяго толькі чуткі і павер'і. tf.Module tf.Variable tf.Module tf.Module print("Submodules:", my_model.submodules)
 Submodules: (<__main__.Dense object at 0x7f7931aea250>, <__main__.Dense object at 0x7f77ed5b8a00>)
 for var in my_model.variables:
  print(var, "\n")
 <tf.Variable 'b:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)> 

<tf.Variable 'w:0' shape=(3, 3) dtype=float32, numpy=
array([[-2.8161757, -2.6065955,  1.9061812],
       [-0.9430401, -0.4624743, -0.4531979],
       [-1.3428234,  0.7062293,  0.7874674]], dtype=float32)> 

<tf.Variable 'b:0' shape=(2,) dtype=float32, numpy=array([0., 0.], dtype=float32)> 

<tf.Variable 'w:0' shape=(3, 2) dtype=float32, numpy=
array([[ 1.0474309 , -0.6920227 ],
       [ 1.2405277 ,  0.36411622],
       [-1.6990206 ,  0.762131  ]], dtype=float32)>
 Чакаючы, каб стварыць варыянты Усё, што вы чулі пра карысць пара раней - усяго толькі чуткі і павер'і. Варыянт мае знаёмую форму і можа быць прызначаны. w Як сцвярджаюць фінансавыя кансультанты, аддача ў мінулым не гарантуе выніковасці ў будучыні. class FlexibleDenseModule(tf.Module):
  # Note: No need for `in_features`
  def __init__(self, out_features, name=None):
    super().__init__(name=name)
    self.is_built = False
    self.out_features = out_features

  def __call__(self, x):
    # Create variables on first call.
    if not self.is_built:
      self.w = tf.Variable(
        tf.random.normal([x.shape[-1], self.out_features]), name='w')
      self.b = tf.Variable(tf.zeros([self.out_features]), name='b')
      self.is_built = True

    y = tf.matmul(x, self.w) + self.b
    return tf.nn.relu(y)
 # Used in a module
class MySequentialModule(tf.Module):
  def __init__(self, name=None):
    super().__init__(name=name)

    self.dense_1 = FlexibleDenseModule(out_features=3)
    self.dense_2 = FlexibleDenseModule(out_features=2)

  def __call__(self, x):
    x = self.dense_1(x)
    return self.dense_2(x)

my_model = MySequentialModule(name="the_model")
print("Model results:", my_model(tf.constant([[2.0, 2.0, 2.0]])))
 Model results: tf.Tensor([[0. 0.]], shape=(1, 2), dtype=float32)
 Інакш проста не магло быць, бо калі ўжо стварылі такі папулярны мультфільм пра гонкі, а гонкі, як вядома, з'яўляюцца самым папулярным гульнявым жанрам. І не толькі ў выніку, але і ў выніку. tf.keras.layers.Dense Забяспечыць вагу Вы можаце спасцігнуць Як і а і а . tf.Module Чэхія СпампавацьModel Чэшныя пункты - гэта толькі вага (а гэта значэнні набору пераменных ўнутры модуля і яго падмодуляў): chkp_path = "my_checkpoint"
checkpoint = tf.train.Checkpoint(model=my_model)
checkpoint.write(chkp_path)
 'my_checkpoint'
 Фактычна, прысвечаныя такому спорту як бокс, онлайн гульні заўсёды прызнаваліся нашмат больш цікавымі чым звычайныя аднакарыстальніцкія цацкі. ls my_checkpoint*
 my_checkpoint.data-00000-of-00001  my_checkpoint.index
 Вы можаце паглядзець унутр кантрольнай пункту, каб быць упэўнены, што ўвесь набор пераменных захоўваецца, разлічаны па аб'екце Python, які змяшчае іх. tf.train.list_variables(chkp_path)
 [('_CHECKPOINTABLE_OBJECT_GRAPH', []),
 ('model/dense_1/b/.ATTRIBUTES/VARIABLE_VALUE', [3]),
 ('model/dense_1/w/.ATTRIBUTES/VARIABLE_VALUE', [3, 3]),
 ('model/dense_2/b/.ATTRIBUTES/VARIABLE_VALUE', [2]),
 ('model/dense_2/w/.ATTRIBUTES/VARIABLE_VALUE', [3, 2])]
 Падчас распаўсюджанага (мульты-машыны) навучання яны могуць быць зламаныя, таму яны нумераваныя (напрыклад, '00000-of-00001'). Калі вы загружаеце мадэлі назад, вы надпісваеце значэння ў вашым аб'екце Python. new_model = MySequentialModule()
new_checkpoint = tf.train.Checkpoint(model=new_model)
new_checkpoint.restore("my_checkpoint")

# Should be the same result as above
new_model(tf.constant([[2.0, 2.0, 2.0]]))
 <tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[0., 0.]], dtype=float32)>
 
 
 У нашай багатай беларускай літаратуры няма другога такога твора, які па энцыклапедычнасці выяўлення ў ім нацыянальнага, так набліжаўся б да "Новай зямлі". У нашай багатай беларускай літаратуры няма другога такога твора, які па энцыклапедычнасці выяўлення ў ім нацыянальнага, так набліжаўся б да "Новай зямлі". Навiны по тэме Checkpoint Guide Сцягнуць функцыі TensorFlow можа запускаць мадэлі без арыгінальных аб'ектаў Python, як паказана і Наступным крокам з'яўляецца выбар адпаведнага абсталявання для TensorFlow Serving TensorFlow Lite TensorFlow Hub. TensorFlow трэба ведаць, як рабіць вылічэнні, апісаныя ў Python, але Для таго, каб зрабіць гэта, вы можаце зрабіць А тое, што здарылася ў . without the original code graph Уваход у графы і функцыі Гэтая графа змяшчае аперацыі, або І гэта дае функцыю. OPS Вы можаце вызначыць графік у верхняй мадэлі, дадаючы Давайце размаўляем пра тое, што такое графік. @tf.function class MySequentialModule(tf.Module):
  def __init__(self, name=None):
    super().__init__(name=name)

    self.dense_1 = Dense(in_features=3, out_features=3)
    self.dense_2 = Dense(in_features=3, out_features=2)

  @tf.function
  def __call__(self, x):
    x = self.dense_1(x)
    return self.dense_2(x)

# You have made a model with a graph!
my_model = MySequentialModule(name="the_model")
 Усё, што вы чулі пра карысць пара раней - усяго толькі чуткі і павер'і. Для ўсіх деталей. Уваход у графы і функцыі print(my_model([[2.0, 2.0, 2.0]]))
print(my_model([[[2.0, 2.0, 2.0], [2.0, 2.0, 2.0]]]))
 tf.Tensor([[0.31593648 0.        ]], shape=(1, 2), dtype=float32)
tf.Tensor(
[[[0.31593648 0.        ]
  [0.31593648 0.        ]]], shape=(1, 2, 2), dtype=float32)
 Вы можаце візуалізаваць графік, выконваючы яго ў TensorBoard аб'яднання. # Set up logging.
stamp = datetime.now().strftime("%Y%m%d-%H%M%S")
logdir = "logs/func/%s" % stamp
writer = tf.summary.create_file_writer(logdir)

# Create a new model to get a fresh trace
# Otherwise the summary will not see the graph.
new_model = MySequentialModule()

# Bracket the function call with
# tf.summary.trace_on() and tf.summary.trace_export().
tf.summary.trace_on(graph=True)
tf.profiler.experimental.start(logdir)
# Call only one tf.function when tracing.
z = print(new_model(tf.constant([[2.0, 2.0, 2.0]])))
with writer.as_default():
  tf.summary.trace_export(
      name="my_func_trace",
      step=0,
      profiler_outdir=logdir)
 tf.Tensor([[0. 0.]], shape=(1, 2), dtype=float32)
 Запусціце TensorBoard, каб паглядзець атрыманы трэк: #docs_infra: no_execute
%tensorboard --logdir logs/func
 стварэння а SavedModel Наступным крокам з'яўляецца выбар адпаведнага абсталявання для І У гэтым выпадку пешаходы, якія сканчаюць пераход, уяўляюць істотную небяспеку (мал. SavedModel SavedModel Вы можаце захаваць мадэль, якую вы толькі што навучылі наступным чынам: tf.saved_model.save(my_model, "the_saved_model")
 INFO:tensorflow:Assets written to: the_saved_model/assets
 # Inspect the SavedModel in the directory
ls -l the_saved_model
 total 32
drwxr-sr-x 2 kbuilder kokoro  4096 Oct 18 01:21 assets
-rw-rw-r-- 1 kbuilder kokoro    58 Oct 18 01:21 fingerprint.pb
-rw-rw-r-- 1 kbuilder kokoro 17704 Oct 18 01:21 saved_model.pb
drwxr-sr-x 2 kbuilder kokoro  4096 Oct 18 01:21 variables
 # The variables/ directory contains a checkpoint of the variables
ls -l the_saved_model/variables
 total 8
-rw-rw-r-- 1 kbuilder kokoro 490 Oct 18 01:21 variables.data-00000-of-00001
-rw-rw-r-- 1 kbuilder kokoro 356 Oct 18 01:21 variables.index
 І Файлы а Выкарыстанне функцыянальнага . saved_model.pb Буферны протокол tf.Graph Такая віза не можа быць прадоўжана.Такая віза не можа быць прадоўжана.Такая віза не можа быць прадоўжана.Такая віза не можа быць прадоўжана. Вы можаце загрузіць мадэль як новы аб'ект: new_model = tf.saved_model.load("the_saved_model")
 , створаны з загрузкі захаванай мадэлі, з'яўляецца ўнутраным TensorFlow карыстальнікам аб'екта без ніякіх класаў ведаў. . new_model SequentialModule isinstance(new_model, SequentialModule)
 False
 Мае назіранні прывялі да высновы, што нагрузка на доктара не можа быць такой, якая яна ёсць цяпер. print(my_model([[2.0, 2.0, 2.0]]))
print(my_model([[[2.0, 2.0, 2.0], [2.0, 2.0, 2.0]]]))
 tf.Tensor([[0.31593648 0.        ]], shape=(1, 2), dtype=float32)
tf.Tensor(
[[[0.31593648 0.        ]
  [0.31593648 0.        ]]], shape=(1, 2, 2), dtype=float32)
 Так што, выкарыстоўваючы , вы можаце захаваць TensorFlow вагі і графы, выкарыстоўваючы А потым зноў замяняюць. SavedModel tf.Module 
 
 Першапачаткова апублікаваны на сайце TensorFlow, гэтая артыкул з'яўляецца тут пад новай назвай і ліцэнзіраваны пад CC BY 4.0. Першапачаткова апублікавана ў Гэты артыкул з'яўляецца тут пад новай назвай і ліцэнзіраваны пад CC BY 4.0. Код зразкі размяшчаюцца пад ліцэнзіяй Apache 2.0. TensorFlow TensorFlow

Гэта аўдыя зроблена на мове арыгіналу гісторыі!

Як вызначыць, захаваць і аднаўліць мадэлі ў TensorFlow

About Author

КАМЕНТАРЫІ

ВЕСІЦЬ БІРКІ

ГЭТЫ АРТЫКУЛ БЫЎ ПРАДСТАЎЛЕНЫ Ў

Related Stories

Navigating the Future of Blockchain VC Industry With Stelian Balta of Hyperchain Capital

HackerNoon Releases “The Editing Protocol” - Technical Documentation for Digital Publishing at Scale

10 Reasons Why Publishing on HackerNoon Will Skyrocket Your Reach and Impact

Building a Decentralized OS for the Next Generation of dApps – Dana Love on Andromeda

Navigating the Future of Blockchain VC Industry With Stelian Balta of Hyperchain Capital

HackerNoon Releases “The Editing Protocol” - Technical Documentation for Digital Publishing at Scale

10 Reasons Why Publishing on HackerNoon Will Skyrocket Your Reach and Impact

Building a Decentralized OS for the Next Generation of dApps – Dana Love on Andromeda

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps