Content overview 
 
 
 
 
 
 
 
 Հիմնական TensorFlow մոդելներ Մոդուլներ Տեսակներ, որոնք կարող են ստեղծել variables Տեղադրել քաշներ Հեռնել գործառույթներ Տեղադրել SavedModel TensorFlow- ում մեքենայի ուսուցման կատարելու համար, կարող եք պետք է որոշել, պահպանել եւ վերահսկել մոդել: A Model է, abstractly: 
 
 
 A գործառույթ, որը բեռնում է մի բան tensors (a forward pass) Որոշ տարբերակներ, որոնք կարող են նորարարվել դասընթացով Այս գրասենյակում, դուք կգտնեք, թե ինչպես է TensorFlow մոդելներ defined: Սա տեսնում է, թե ինչպես TensorFlow հավաքում տարբերակներ եւ մոդելներ, ինչպես նաեւ, թե ինչպես են այդ մոդելներ փնտրված եւ վերահսկվում. Հիմնական 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
 TensorFlow մոդելներ Արդյոք, ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են: , կառուցված են նույն հիմնական դասի վրա: . Sonnet-ի մասին tf.Module Մոդուլներ Ահա մի օրինակ, որ շատ պարզ է Այն աշխատում է scalar tensor- ի վրա: 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>
 Մոդուլներ եւ, ըստ լայնությունը, մակարդակներ են deep-learning terminology համար «հետներ»: նրանք ունեն ինտեգրված տարածք, եւ մեթոդներ, որոնք օգտագործում են այդ տարածք. Ոչ ոք ոչ ոք հատուկ չէ Ահա, թե ինչպես է աշխատում A • Դուք կարող եք զանգահարել ձեր մոդելները ցանկացած գործառույթով, որը ցանկանում եք: __call__ Python- ը կախված է Դուք կարող եք տեղադրել տարբերակների ներքեւը եւ ներքեւը ցանկացած պատճառով, այդ թվում `բեռնել մակերեսները եւ տարբերակները fin-tuning- ի ընթացքում: 
 
 Նշեք: tf.Module- ը tf.keras.layers.Layer- ի եւ tf.keras.Model- ի բազան դասընթացն է, այնպես որ ամեն ինչ, ինչ դուք այստեղ գտնում եք, նաեւ կիրառվում է Keras- ում: Հիմնական համատեղելիության պատճառների համար Keras- ի դասընթացները մոդելների հետ չգիտեն փոխանակներ, այնպես որ ձեր մոդելները պետք է օգտագործեն միայն մոդելներ կամ միայն Keras- ի դասընթացներ: Սակայն, մոդելները, որոնք ցույց են տալիս ներքեւում փոխանակների վերահսկման համար, նույն են: Նշեք: tf.Module- ը tf.keras.layers.Layer- ի եւ tf.keras.Model- ի բազան դասընթացն է, այնպես որ ամեն ինչ, ինչ դուք այստեղ գտնում եք, նաեւ կիրառվում է Keras- ում: Հիմնական համատեղելիության պատճառների համար Keras- ի դասընթացները մոդելների հետ չգիտեն փոխանակներ, այնպես որ ձեր մոդելները պետք է օգտագործեն միայն մոդելներ կամ միայն Keras- ի դասընթացներ: Սակայն, մոդելները, որոնք ցույց են տալիս ներքեւում փոխանակների վերահսկման համար, նույն են: Հիմնական Subclass Մինչեւ կամ Տեղադրված է այս բոնուսի հատկանիշների համար: Այսպիսով դուք կարող եք պահպանել եւ բեռնել տարբերակներ, ինչպես նաեւ ստեղծել բոնուսների բոնուսներ: Ս. 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>)
 Դա մի օրինակ է երկու մակերեսի մոդելային մակերեսի մոդել, որը ստեղծվել է մոդելների վրա: Առաջին մի խոշոր (լինե) քանակը: 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)
 Եվ ապա ամբողջական մոդելը, որը ստեղծում է երկու մակերեսային բաղադրիչներ եւ օգտագործում է նրանց: 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)
 Արդյոք, այն պետք է ստանալ, automatically recursively, բոլոր կամ Դա թույլ է տալիս Ձեզ վերահսկել միավորությունները Մեկ մոդել է, եւ սեղմեք եւ բեռնել ամբողջ մոդելներ. 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)>
 Տեսակներ, որոնք կարող են ստեղծել variables Դուք կարող եք հասկանալ այստեղ, որ դուք պետք է որոշել, թե ինչպես է ներքեւում եւ արտադրանքի չափերը է մակերեսին: Սա այնպես է, որ variable- ը հայտնի ձեւ է եւ կարող է տեղադրվել: w Երբ փոխանակների ստեղծումը առաջին անգամ կանգնվում է մոդուլը որոշակի մետաղական ձեւով, դուք չեք պետք է նշեք մետաղական չափը առաջ. 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)
 Այս հարմարավետությունը, ինչպիսիք են TensorFlow մակերեսները, հաճախ պետք է որոշել միայն իրենց արտադրանքի ձեւը, ինչպիսիք են , այլեւ ներքեւում եւ արտադրանքի չափը: tf.keras.layers.Dense Տեղադրել քաշներ Դուք կարող եք պահպանել a Երկու ա եւ a . tf.Module Checkpoint- ը Մոդել Checkpoints են պարզապես քանակներ (հարկե, արժեքները մի շարք փոխանակների ներքին մոդել եւ իր submodules): chkp_path = "my_checkpoint"
checkpoint = tf.train.Checkpoint(model=my_model)
checkpoint.write(chkp_path)
 'my_checkpoint'
 Checkpoints- ը ներառում է երկու տեսակի ֆայլեր: տվյալները նույնպես եւ metadata- ի index ֆայլը: The index file keeps track of what is actually saved and the numbering of checkpoints, while the checkpoint data contains the variable values and their attribute lookup paths. ls my_checkpoint*
 my_checkpoint.data-00000-of-00001  my_checkpoint.index
 Դուք կարող եք տեսնել մի checkpoint- ի ներսում, որպեսզի հավատկեք, որ բոլոր տարբերակների հավաքագրություն փնտրված է, այն Python- ի աչքի կողմից, որը ներառում է այդ տարբերակները: 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])]
 Երբ մատակարարված (multi-machine) ուսուցում են, նրանք կարող են կախված լինել, ինչու են այն համար, որ նրանք կախված են (հարկե `00000-of-00001)։ Այս դեպքում, սակայն, միայն մեկ կախված է: Երբ դուք բեռնում եք մոդելներ, դուք վերլուծեք արժեքները ձեր Python օդանավի վրա: 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)>
 
 
 Նշում է, որ, քանի որ Checkpoint- ը երկար դասընթացների workflows- ի կենտրոնում է, CheckpointManager- ը մի օգոստային դասընթաց է, որը շատ հեշտացնում է Checkpoint- ի կառավարման համար: Կարդալեք Training Checkpoint- ի ուղեցույցը ավելին տեղեկատվության համար: Քանի որ Checkpoints- ը երկար դասընթացների աշխատանքային պլանների կենտրոնում է Արդյոք, ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են: Ավելի մանրամասների համար. Note: tf.checkpoint.CheckpointManager Checkpoints- ի դասընթացները Checkpoints- ի դասընթացները Հեռնել գործառույթներ TensorFlow- ը կարող է գործել մոդելներ առանց Original Python Objects- ի: եւ , նույնիսկ երբ դուք բեռնել մի ուսուցված մոդել TensorFlow Serving TensorFlow Lite TensorFlow Hub. TensorFlow- ը պետք է գիտի, թե ինչպես է գործել Python- ում նկարագրված հաշվարկները, բայց Այս մասին, դուք կարող եք անել մի Նրանք, որոնք նկարագրվում են . without the original code graph Տեղադրել Graphs and Functions Guide Այս գրաֆիկը ներառում է գործառույթներ, կամ Այսպիսին է գործառույթը կատարում. OPS- ը Դուք կարող եք որոշել, թե ինչ է սերտիֆիկը վերեւում, այնպես որ ավելացեք Դեկորատորը ցույց է տալիս, որ այս կոդը պետք է աշխատել որպես գրաֆիկ: @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")
 Մոդուլը, որը դուք ստեղծել եք, աշխատում է ճշգրտապես նույնպես, ինչպես առաջ. Ամեն միասնական գրասենյակ, որը փոխվել է գործառույթը, ստեղծում է մասնավոր գրաֆիլմը: Ստուգեք Արդյոք Details. Տեղադրել Graphs and Functions Guide 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)
 Դուք կարող եք տեսնել գրաֆորմը, փնտրելով այն TensorBoard- ի վերլուծության մեջ: # 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)
 Start TensorBoard-ը, որպեսզի տեսնել ստանալը: #docs_infra: no_execute
%tensorboard --logdir logs/func
 Հիմնական a SavedModel Խնդրում ենք օգտագործել ամբողջությամբ ուսուցված մոդելներ: Արդյոք Այն ներառում է մի շարք գործառույթների եւ մի շարք քանակների: SavedModel SavedModel Դուք կարող եք փնտրել մոդել, որը դուք պարզապես ուսուցել եք: 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
 Դա Ֆիլմը a Տեսագրություն Functional . saved_model.pb Պրոֆեսիոնալ buffer tf.Graph Մոդելներ եւ մակերեսներ կարող են բեռնել այս ցուցադրման հետ, ոչ թե ճշգրտաբար ստեղծել այն դասը, որը ստեղծել է այն: Սա ցանկանում է այն պայմաններում, որտեղ դուք չեք ունեք ( կամ ցանկանում եք) Python interpreter, ինչպիսիք են, որ ծառայել է քանակի կամ է Edge սարքավորումներ, կամ situations where the original Python code is not available or practical to use. Դուք կարող եք բեռնել մոդել, քանի որ նոր աչքի: new_model = tf.saved_model.load("the_saved_model")
 , ստեղծվել է բեռնել փրկված մոդել, է ներքին TensorFlow օգտվողի աչքի առանց ցանկացած դասի գիտելիք. . new_model SequentialModule isinstance(new_model, SequentialModule)
 False
 Այս նոր մոդելը աշխատում է նախապես defined input signatures. You can't add more signatures to a model restored like this. Այս նոր մոդելը աշխատում է նախապես defined input signatures. You can't add more signatures to a model restored like this. 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)
 Այսպիսով, օգտագործելով , դուք կարող եք փնտրել TensorFlow քանակները եւ գրաֆիկները օգտագործելով Այնուհետեւ վերցրեք նրանց. SavedModel tf.Module 
 
 Այս հոդվածը առաջին անգամ հայտնվել է TensorFlow կայքում, այս հոդվածը հայտնվում է այստեղ նոր թվով եւ licensed under CC BY 4.0. Code samples shared under the Apache 2.0 License. Այս հոդվածը առաջին անգամ հայտնվել է TensorFlow կայքում, այս հոդվածը հայտնվում է այստեղ նոր թվով եւ licensed under CC BY 4.0. Code samples shared under the Apache 2.0 License. TensorFlow- ը

Այս աուդիոն պատրաստվել է պատմության բնօրինակ լեզվով:

Չափազանց երկար; Կարդալ

Make resilience your competitive advantage

Ինչպե՞ս ստանալ, պահել եւ վերադառնալ մոդելներ TensorFlow- ում

About Author

ՄԵԿՆԱԲԱՆՈՒԹՅՈՒՆՆԵՐ

ԿԱԽՎԵԼ ՏԵԳՍԵՐ

ԱՅՍ ՀՈԴՎԱԾԸ ՆԵՐԿԱՅԱՑՎԵԼ Է Մ

Related Stories

Toufi Saliba: The Architect Behind HyperCycle's Decentralized Network of AI

What is Hyperthreading and How Do You Enable It?

Hypernative Bolsters Bitcoin L2 Security as Stacks Ecosystem Gets Real-Time Protection

How HyperCycle Is Building the Internet for AI: A Deep Dive with Toufi Saliba

Toufi Saliba: The Architect Behind HyperCycle's Decentralized Network of AI

What is Hyperthreading and How Do You Enable It?

Hypernative Bolsters Bitcoin L2 Security as Stacks Ecosystem Gets Real-Time Protection

How HyperCycle Is Building the Internet for AI: A Deep Dive with Toufi Saliba

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps