ការបង្កើតម៉ូដែលមានគុណភាពខ្ពស់ជាមួយនឹងលក្ខណៈពិសេស TensorFlow ដែលមានគុណភាពខ្ពស់បំផុត - ប្រភេទការបន្ថែម

ការពិនិត្យឡើងវិញរូបភាព ក្រុមហ៊ុន Tensor API ការផ្លាស់ប្តូរសម្រាប់ API មួយ ប្រព័ន្ធ ប្រតិបត្តិការ Unary Elementwise ប្រព័ន្ធ ប្រតិបត្តិការ Binary All Elementally API លក្ខណៈពិសេសការបន្ថែម ឧទាហរណ៍ ប្រភេទ BatchableExtensionType: Network TensorFlow API ដែលគាំទ្រការ ExtensionTypes សកម្មភាព ការគ្រប់គ្រងកម្មវិធី Flow ការត្រួតពិនិត្យដោយ Autograph Flow យោបល់ គំរូ ដំណឹង ក្រុមហ៊ុន Tensor API ប្រភេទការបន្ថែមអាចជា "Tensor-like" ក្នុងនាមដែលពួកគេមានជំនាញឬការបន្ថែមអ៊ីនធឺណិតដែលបានកំណត់ដោយ ប្រភេទ។ ឧទាហរណ៍នៃប្រភេទការបន្ថែមដូចជា tensor រួមទាំង លោក និង នេះ។ TensorFlow អាចត្រូវបានប្រើដើម្បីកាត់បន្ថយការអនុវត្តទូទៅនៃប្រតិបត្តិការ TensorFlow នៅពេលដែលវាត្រូវបានអនុវត្តទៅនឹងប្រភេទការបន្ថែមដូចជា tensor ។ TensorFlow ឥឡូវនេះបញ្ជាក់បី decorators ការផ្ញើ: tf.Tensor RaggedTensor SparseTensor MaskedTensor ការផ្លាស់ប្តូរ decorators ការផ្លាស់ប្តូរ decorators កុំព្យូទ័រអេឡិចត្រូនិច កុំព្យូទ័រអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេ កុំព្យូទ័រអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេឡិចត្រូនិអេ ការផ្លាស់ប្តូរសម្រាប់ API មួយ នេះ ឧបករណ៍បង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិលបង្វិល ការដំណើរការ តម្លៃ : tf.experimental.dispatch_for_api tf.stack MaskedTensor @tf.experimental.dispatch_for_api(tf.stack) def masked_stack(values: List[MaskedTensor], axis = 0): return MaskedTensor(tf.stack([v.values for v in values], axis), tf.stack([v.mask for v in values], axis)) វាត្រូវបានអនុវត្តដោយ default for ដូច្នេះនៅពេលដែលអ្នកចង់ទាក់ទងនឹងសៀវភៅ លក្ខណៈសម្បត្តិ (ពីពេលដែល គោលនយោបាយនេះត្រូវបានបញ្ជាក់ជាមួយ លទ្ធផល : tf.stack MaskedTensor values typing.List[MaskedTensor] x = MaskedTensor([1, 2, 3], [True, True, False]) y = MaskedTensor([4, 5, 6], [False, True, True]) tf.stack([x, y]) ដើម្បីអនុញ្ញាត ដើម្បីដោះស្រាយសៀវភៅនៃការរួមបញ្ចូល និង លើសពីនេះអ្នកអាចធ្វើឱ្យប្រសើរឡើងប្រភេទសៀវភៅសម្រាប់ ការធ្វើតេស្តនិងការធ្វើតេស្តបច្ចុប្បន្នភាពនៃបច្ចុប្បន្នភាពបច្ចុប្បន្នភាពនៃបច្ចុប្បន្នភាព: tf.stack MaskedTensor Tensor values tf.experimental.unregister_dispatch_for(masked_stack) def convert_to_masked_tensor(x): if isinstance(x, MaskedTensor): return x else: return MaskedTensor(x, tf.ones_like(x, tf.bool)) @tf.experimental.dispatch_for_api(tf.stack) def masked_stack_v2(values: List[Union[MaskedTensor, tf.Tensor]], axis = 0): values = [convert_to_masked_tensor(v) for v in values] return MaskedTensor(tf.stack([v.values for v in values], axis), tf.stack([v.mask for v in values], axis)) x = MaskedTensor([1, 2, 3], [True, True, False]) y = tf.constant([4, 5, 6]) tf.stack([x, y, x]) សម្រាប់បញ្ជីនៃ API ដែលអាចត្រូវបានបង្វិល, សូមមើលឯកសារ API សម្រាប់ . tf.experimental.dispatch_for_api ប្រព័ន្ធ ប្រតិបត្តិការ Unary Elementwise នេះ អ្នកប្រព័ន្ធប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ Unary elementwise ops (ដូចជា ) នៅពេលដែលតម្លៃសម្រាប់អតិថិជនដំបូង (ប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើ ) ជំរុញប្រភេទសៀវភៅ សកម្មភាពដែលត្រូវបានកំណត់គួរតែមានអត្ថប្រយោជន៍ទាំងពីរ: tf.experimental.dispatch_for_unary_elementwise_apis ទាំងអស់ tf.math.cos x x_type ទាំងអស់ api_func: សម្ភារៈដែលមានទំហំតែមួយនិងធ្វើការ elementwise (ដូចជា tf.abs) ។ x: អាសយដ្ឋានដំបូងសម្រាប់ប្រតិបត្តិការ elementwise ។ លក្ខណៈពិសេសទាំងអស់នៃការដំណើរការ Unary Elementwise ប្រភេទ : MaskedTensor @tf.experimental.dispatch_for_unary_elementwise_apis(MaskedTensor) def masked_tensor_unary_elementwise_api_handler(api_func, x): return MaskedTensor(api_func(x.values), x.mask) សម្ភារៈនេះនឹងត្រូវបានប្រើនៅពេលដែលការប្រតិបត្តិការ elementwise unary ត្រូវបានសរសេរនៅលើ a . MaskedTensor x = MaskedTensor([1, -2, -3], [True, False, True]) print(tf.abs(x)) print(tf.ones_like(x, dtype=tf.float32)) ប្រព័ន្ធ ប្រតិបត្តិការ Binary All Elementally API ដូចគ្នានេះ នេះអាចត្រូវបានប្រើដើម្បីបច្ចុប្បន្នភាពប្រតិបត្តិការ binary elementwise ទាំងអស់ដើម្បីដំណើរការ ប្រភេទ : tf.experimental.dispatch_for_binary_elementwise_apis MaskedTensor @tf.experimental.dispatch_for_binary_elementwise_apis(MaskedTensor, MaskedTensor) def masked_tensor_binary_elementwise_api_handler(api_func, x, y): return MaskedTensor(api_func(x.values, y.values), x.mask & y.mask) x = MaskedTensor([1, -2, -3], [True, False, True]) y = MaskedTensor([[4], [5]], [[True], [False]]) tf.math.add(x, y) ប្រសិនបើអ្នកចង់ចូលទៅក្នុងប្រព័ន្ធប្រតិបត្តិការ API របស់អ្នក, សូមចូលទៅក្នុងឯកសារ API របស់អ្នក។ និង . tf.experimental.dispatch_for_unary_elementwise_apis tf.experimental.dispatch_for_binary_elementwise_apis ប្លាស្ទិច s ExtensionType លក្ខណៈពិសេស អាន ខ្ញុំ ប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនប s. TensorFlow APIs បន្ទាប់គួរតែជាការបន្ថែមប្រភេទដំណាក់កាលណាមួយអាចត្រូវបានដំណាក់កាល: ExtensionType ប្លាស្ទិច Tensor ទិន្នន័យទិន្នន័យ (batch, unbatch, from_tensor_slices) កម្រិតខ្ពស់ (Fit, Evaluate, Predict) សៀវភៅសៀវភៅ ដោយគោលបំណង វាត្រូវបានបង្កើតឡើងដោយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយ អាសយដ្ឋាន S និង ប្រសិនបើវាមិនត្រឹមត្រូវសម្រាប់គំនិតរបស់អ្នក, បន្ទាប់មកអ្នកនឹងត្រូវប្រើ ការធ្វើតេស្តនេះគឺជាការធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តនេះគឺជាការធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្តដែលធ្វើតេស្ត។ លក្ខណៈពិសេសនៃការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយ" លោក និង ប្រព័ន្ធ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ . BatchableExtensionType Tensor CompositeTensor ExtensionType tf.experimental.ExtensionTypeBatchEncoder tf.SparseTensor values indices dense_shape SparseTensor យោបល់: BatchableExtensionTypes មិនត្រូវបានកំណត់ដោយស្វ័យប្រវត្តិសម្រាប់ dispatchers សម្រាប់ tf.stack, tf.concat, tf.slice ល។ ប្រសិនបើគម្រោងរបស់អ្នកត្រូវការគាំទ្រដោយ APIs ទាំងនេះបន្ទាប់មកប្រើ decorators ការផ្លាស់ប្តូរដែលបានបង្ហាញនៅលើ។ លោក S បាន ការបញ្ជាក់ដោយស្វ័យប្រវត្តិសម្រាប់ លោក លោក ប្រសិនបើគារបស់អ្នកត្រូវការគាំទ្រដោយ API ទាំងនេះបន្ទាប់មកប្រើ decorators ការដឹកជញ្ជូនដែលបានបង្ហាញខាងលើ។ Note: BatchableExtensionType មិន tf.stack tf.concat tf.slice ឧទាហរណ៍ : BatchableExtensionType Network ជាឧទាហរណ៍, សូមអរគុណយ៉ាងងាយស្រួល ប្រភេទដែលត្រូវបានប្រើសម្រាប់ការដោះស្រាយទម្ងន់ដែលរក្សាទុកការធ្វើការដែលមាននៅលើកម្រិតមួយនិងកម្រិតនៃទម្ងន់ដែលអាចធ្វើបានដើម្បីផ្លាស់ប្តូរការងាររវាងកម្រិត: Network class Network(tf.experimental.ExtensionType): # This version is not batchable. work: tf.Tensor # work[n] = work left to do at node n bandwidth: tf.Tensor # bandwidth[n1, n2] = bandwidth from n1->n2 net1 = Network([5., 3, 8], [[0., 2, 0], [2, 0, 3], [0, 3, 0]]) net2 = Network([3., 4, 2], [[0., 2, 2], [2, 0, 2], [2, 2, 0]]) ដើម្បីធ្វើឱ្យប្រភេទនេះជាប្រភេទប្រភេទប្រភេទមូលដ្ឋានដើម្បីធ្វើឱ្យប្រភេទប្រភេទប្រភេទ ទោះជាយ៉ាងណាក៏ដោយអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកមានអារម្មណ៍ថាអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកអាចធ្វើឱ្យប្រសិនបើអ្នកមានអារម្មណ៍។ វាត្រូវបានរក្សាទុកដោយប្រព័ន្ធផ្សព្វផ្សាយ។ នេះ តំបន់នេះមិនចាំបាច់ ឬ ប៉ុន្តែវា តម្រូវការ . BatchableExtensionType shape shape tf.data.Dataset tf.map_fn ខ្ញុំ tf.keras class Network(tf.experimental.BatchableExtensionType): shape: tf.TensorShape # batch shape. A single network has shape=[]. work: tf.Tensor # work[*shape, n] = work left to do at node n bandwidth: tf.Tensor # bandwidth[*shape, n1, n2] = bandwidth from n1->n2 def __init__(self, work, bandwidth): self.work = tf.convert_to_tensor(work) self.bandwidth = tf.convert_to_tensor(bandwidth) work_batch_shape = self.work.shape[:-1] bandwidth_batch_shape = self.bandwidth.shape[:-2] self.shape = work_batch_shape.merge_with(bandwidth_batch_shape) def __repr__(self): return network_repr(self) def network_repr(network): work = network.work bandwidth = network.bandwidth if hasattr(work, 'numpy'): work = ' '.join(str(work.numpy()).split()) if hasattr(bandwidth, 'numpy'): bandwidth = ' '.join(str(bandwidth.numpy()).split()) return (f" ") net1 = Network([5., 3, 8], [[0., 2, 0], [2, 0, 3], [0, 3, 0]]) net2 = Network([3., 4, 2], [[0., 2, 2], [2, 0, 2], [2, 2, 0]]) batch_of_networks = Network( work=tf.stack([net1.work, net2.work]), bandwidth=tf.stack([net1.bandwidth, net2.bandwidth])) print(f"net1={net1}") print(f"net2={net2}") print(f"batch={batch_of_networks}") អ្នកអាចប្រើ ដើម្បីដោះស្រាយតាមបំណងនៃបណ្តាញ: tf.data.Dataset dataset = tf.data.Dataset.from_tensor_slices(batch_of_networks) for i, network in enumerate(dataset): print(f"Batch element {i}: {network}") អ្នកក៏អាចប្រើ ដើម្បីអនុវត្តបច្ចេកទេសមួយសម្រាប់ប្រព័ន្ធផ្សព្វផ្សាយទាំងអស់: map_fn def balance_work_greedy(network): delta = (tf.expand_dims(network.work, -1) - tf.expand_dims(network.work, -2)) delta /= 4 delta = tf.maximum(tf.minimum(delta, network.bandwidth), -network.bandwidth) new_work = network.work + tf.reduce_sum(delta, -1) return Network(new_work, network.bandwidth) tf.map_fn(balance_work_greedy, batch_of_networks) TensorFlow API ដែលគាំទ្រ s ExtensionType លក្ខណៈពិសេស សកម្មភាព វាត្រូវបានបង្កើតឡើងដោយក្រុមហ៊ុន TensorFlow ។ វាត្រូវបានបង្កើតឡើងដោយក្រុមហ៊ុន TensorFlow ។ វាត្រូវបានបង្កើតឡើងដោយក្រុមហ៊ុន TensorFlow ។ វាត្រូវបានបង្កើតឡើងដោយក្រុមហ៊ុន TensorFlow ។ សកម្មភាពបង្វិល។ tf.function @tf.function class Pastry(tf.experimental.ExtensionType): sweetness: tf.Tensor # 2d embedding that encodes sweetness chewiness: tf.Tensor # 2d embedding that encodes chewiness @tf.function def combine_pastry_features(x: Pastry): return (x.sweetness + x.chewiness) / 2 cookie = Pastry(sweetness=[1.2, 0.4], chewiness=[0.8, 0.2]) combine_pastry_features(cookie) ប្រសិនបើអ្នកចង់បញ្ជាក់ពិសេស សម្រាប់ នៅពេលនេះអ្នកអាចធ្វើដូច្នេះដោយប្រើប្រភេទការបន្ថែម . input_signature tf.function TypeSpec pastry_spec = Pastry.Spec(tf.TensorSpec([2]), tf.TensorSpec(2)) @tf.function(input_signature=[pastry_spec]) def increase_sweetness(x: Pastry, delta=1.0): return Pastry(x.sweetness + delta, x.chewiness) increase_sweetness(cookie) សមត្ថភាពសំខាន់ សកម្មភាពប្លាស្ទិចប្លាស្ទិចប្លាស្ទិចប្លាស្ទិចដែលត្រូវបានបង្កើតឡើងដោយ ប្រភេទការបន្ថែមអាចប្រើបានយ៉ាងឆាប់រហ័សជាមួយបច្ចេកវិទ្យានៃបច្ចេកវិទ្យានេះ។ tf.function cf = combine_pastry_features.get_concrete_function(pastry_spec) cf(cookie) ការគ្រប់គ្រងកម្មវិធី Flow ប្រភេទការបន្ថែមត្រូវបានគាំទ្រដោយប្រតិបត្តិការដំណើរការត្រួតពិនិត្យរបស់ TensorFlow: លក្ខខណ្ឌ ដំណឹង លក្ខណៈពិសេសបច្ចេកទេស ដំណឹង ID # Example: using tf.cond to select between two MaskedTensors. Note that the # two MaskedTensors don't need to have the same shape. a = MaskedTensor([1., 2, 3], [True, False, True]) b = MaskedTensor([22., 33, 108, 55], [True, True, True, False]) condition = tf.constant(True) print(tf.cond(condition, lambda: a, lambda: b)) # Example: using tf.while_loop with MaskedTensor. cond = lambda i, _: i < 10 def body(i, mt): return i + 1, mt.with_values(mt.values + 3 / 7) print(tf.while_loop(cond, body, [0, b])[1]) ការត្រួតពិនិត្យដោយ Autograph Flow ប្រភេទការបន្ថែមផងដែរត្រូវបានគាំទ្រដោយការបង្ហាញដំណើរការគ្រប់គ្រងនៅក្នុង (ប្រព័ន្ធប្រតិបត្តិការ) នៅលើឧទាហរណ៍ខាងក្រោមនេះ ការនិយាយនិង ការផ្លាស់ប្តូរដោយស្វ័យប្រវត្តិទៅ និង ប្រព័ន្ធ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ tf.function if for tf.cond tf.while_loop @tf.function def fn(x, b): if b: x = MaskedTensor(x, tf.less(x, 0)) else: x = MaskedTensor(x, tf.greater(x, 0)) for i in tf.range(5 if b else 7): x = x.with_values(x.values + 1 / 2) return x print(fn(tf.constant([1., -2, 3]), tf.constant(True))) print(fn(tf.constant([1., -2, 3]), tf.constant(False))) យោបល់ TensorFlow គឺជាកម្មវិធី API នៃ TensorFlow សម្រាប់ការបង្កើតនិងបណ្តុះបណ្តាលម៉ូដែលការអប់រំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទ ហ្វេសប៊ុក ពួកគេគួរតែអាចត្រូវបានដោះស្រាយ (ចូលទៅក្នុង "Batchable ExtensionTypes" នៅខាងលើ) ។ ពួកគេគួរតែមានតំបន់ឬលក្ខណៈដែលគេហៅថា shape ។ shape[0] ត្រូវបានគេស្គាល់ថាជាទំហំ batch ។ សៀវភៅទាំងពីរខាងក្រោមផ្តល់នូវឧទាហរណ៍ដែលបង្ហាញពីរបៀបដែលប្រភេទការបន្ថែមអាចប្រើបានជាមួយ Keras ។ លក្ខណៈពិសេស: បណ្ដាញ បណ្ដាញ ជាឧទាហរណ៍ដំបូង, សូមអរគុណ ប្រភេទដែលបានកំណត់នៅក្នុង "Batchable" s" ផ្នែកខាងលើដែលអាចត្រូវបានប្រើសម្រាប់ការធ្វើតេស្តការដោះស្រាយផ្ទុករវាងកញ្ចក់។ ការកំណត់របស់វាត្រូវបានបង្ហាញនៅទីនេះ: Network ExtensionType class Network(tf.experimental.BatchableExtensionType): shape: tf.TensorShape # batch shape. A single network has shape=[]. work: tf.Tensor # work[*shape, n] = work left to do at node n bandwidth: tf.Tensor # bandwidth[*shape, n1, n2] = bandwidth from n1->n2 def __init__(self, work, bandwidth): self.work = tf.convert_to_tensor(work) self.bandwidth = tf.convert_to_tensor(bandwidth) work_batch_shape = self.work.shape[:-1] bandwidth_batch_shape = self.bandwidth.shape[:-2] self.shape = work_batch_shape.merge_with(bandwidth_batch_shape) def __repr__(self): return network_repr(self) single_network = Network( # A single network with 4 nodes. work=[8.0, 5, 12, 2], bandwidth=[[0.0, 1, 2, 2], [1, 0, 0, 2], [2, 0, 0, 1], [2, 2, 1, 0]]) batch_of_networks = Network( # Batch of 2 networks, each w/ 2 nodes. work=[[8.0, 5], [3, 2]], bandwidth=[[[0.0, 1], [1, 0]], [[0, 2], [2, 0]]]) អ្នកអាចកំណត់កម្រិត Keras ថ្មីដែលដំណើរការ លោក S. Network class BalanceNetworkLayer(tf.keras.layers.Layer): """Layer that balances work between nodes in a network. Shifts work from more busy nodes to less busy nodes, constrained by bandwidth. """ def call(self, inputs): # This function is defined above in the "Batchable `ExtensionType`s" section. return balance_work_greedy(inputs) អ្នកអាចប្រើកម្រិតទាំងនេះដើម្បីបង្កើតម៉ូដែលងាយស្រួល។ ដើម្បីផ្គត់ផ្គង់ នៅ ក្នុង ម៉ូដែល នេះ អ្នក អាច ប្រើ a ស្លាកជាមួយ ទាញយកប្រភេទ Extension ប្រសិនបើគំរូ Keras នឹងត្រូវបានប្រើសម្រាប់ការដំណើរការផ្គត់ផ្គង់, បន្ទាប់មក វាមានទំហំ batch ។ ExtensionType tf.keras.layer.Input type_spec TypeSpec type_spec input_spec = Network.Spec(shape=None, work=tf.TensorSpec(None, tf.float32), bandwidth=tf.TensorSpec(None, tf.float32)) model = tf.keras.Sequential([ tf.keras.layers.Input(type_spec=input_spec), BalanceNetworkLayer(), ]) ឥឡូវនេះអ្នកអាចអនុវត្តគំរូនេះទៅលើបណ្តាញតែមួយនិងទៅលើបណ្តាញមួយចំនួន។ model(single_network) model(batch_of_networks) លក្ខណៈពិសេស: MaskedTensor នៅក្នុងឧទាហរណ៍នេះ ការអភិវឌ្ឍដើម្បីគាំទ្រ នេះ។ វាត្រូវបានកំណត់ថាមពលដែលបានកំណត់ពី Keras អនុញ្ញាតឱ្យអ្នកបន្ថែមលក្ខណៈពិសេសនេះទៅនឹងប្រភេទការបន្ថែមនិងប្រភេទ នេះ។ វាត្រូវបានកំណត់ថា a ការផ្លាស់ប្តូរដែលត្រូវការសម្រាប់ លក្ខណៈសម្បត្តិ (ខាងក្រោម) MaskedTensor Keras shape values TypeSpec MaskedTensor __name__ SavedModel class MaskedTensor(tf.experimental.BatchableExtensionType): # __name__ is required for serialization in SavedModel; see below for details. __name__ = 'extension_type_colab.MaskedTensor' values: tf.Tensor mask: tf.Tensor shape = property(lambda self: self.values.shape) dtype = property(lambda self: self.values.dtype) def with_default(self, default): return tf.where(self.mask, self.values, default) def __repr__(self): return masked_tensor_str(self.values, self.mask) class Spec: def __init__(self, shape, dtype=tf.float32): self.values = tf.TensorSpec(shape, dtype) self.mask = tf.TensorSpec(shape, tf.bool) shape = property(lambda self: self.values.shape) dtype = property(lambda self: self.values.dtype) def with_shape(self): return MaskedTensor.Spec(tf.TensorSpec(shape, self.values.dtype), tf.TensorSpec(shape, self.mask.dtype)) បន្ទាប់មក, ការ decorators dispatch ដែលត្រូវបានប្រើដើម្បីបង្វិលការអនុវត្ត default នៃ API មួយចំនួន TensorFlow ។ ដោយសារតែ API ទាំងនេះត្រូវបានប្រើដោយកម្រិត Keras ស្ដង់ដារ (ដូចជា លក្ខណៈពិសេសទាំងអស់នេះនឹងអនុញ្ញាតឱ្យយើងប្រើវេជ្ជសាស្ត្រទាំងនេះ សម្រាប់គោលបំណងនៃឧទាហរណ៍នេះ for masked tensors is defined to treat the masked values as zeros (មានន័យថាមិនរួមបញ្ចូលពួកគេនៅក្នុងផលិតផល) ។ Dense MaskedTensor matmul @tf.experimental.dispatch_for_unary_elementwise_apis(MaskedTensor) def unary_elementwise_op_handler(op, x): return MaskedTensor(op(x.values), x.mask) @tf.experimental.dispatch_for_binary_elementwise_apis( Union[MaskedTensor, tf.Tensor], Union[MaskedTensor, tf.Tensor]) def binary_elementwise_op_handler(op, x, y): x = convert_to_masked_tensor(x) y = convert_to_masked_tensor(y) return MaskedTensor(op(x.values, y.values), x.mask & y.mask) @tf.experimental.dispatch_for_api(tf.matmul) def masked_matmul(a: MaskedTensor, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, output_type=None): if isinstance(a, MaskedTensor): a = a.with_default(0) if isinstance(b, MaskedTensor): b = b.with_default(0) return tf.matmul(a, b, transpose_a, transpose_b, adjoint_a, adjoint_b, a_is_sparse, b_is_sparse, output_type) អ្នកអាចបង្កើតម៉ូដែល Keras ដែលទទួលបាន លក្ខណៈពិសេសនៃការប្រើប្រាស់ Keras Standard: MaskedTensor input_spec = MaskedTensor.Spec([None, 2], tf.float32) masked_tensor_model = tf.keras.Sequential([ tf.keras.layers.Input(type_spec=input_spec), tf.keras.layers.Dense(16, activation="relu"), tf.keras.layers.Dense(1)]) masked_tensor_model.compile(loss='binary_crossentropy', optimizer='rmsprop') a = MaskedTensor([[1., 2], [3, 4], [5, 6]], [[True, False], [False, True], [True, True]]) masked_tensor_model.fit(a, tf.constant([[1], [0], [1]]), epochs=3) print(masked_tensor_model(a)) គំរូ អា វាគឺជាកម្មវិធី TensorFlow ដែលមានប្រភេទប្រភេទរួមទាំងការវាយតម្លៃនិងការទិន្នន័យ។ វាគឺជាកម្មវិធីដែលអាចត្រូវបានបង្កើតឡើងពីម៉ូដែល Keras ឬពីម៉ូដែលផ្ទាល់ខ្លួន។ ក្នុងករណីទាំងពីរនេះប្រភេទការបន្ថែមអាចត្រូវបានប្រើយ៉ាងច្បាស់លាស់ជាមួយនឹងកម្មវិធីនិងវិធីដែលបានកំណត់ដោយ SavedModel ។ គំរូ SavedModel អាចរក្សាទុកម៉ូដែលកម្រិតនិងបច្ចុប្បន្នភាពដែលដំណើរការប្រភេទបន្ថែមដូច្នេះពេលដែលប្រភេទបន្ថែមមាន ឈ្មោះនេះត្រូវបានប្រើដើម្បីចុះឈ្មោះប្រភេទបន្ថែមដូច្នេះវាអាចត្រូវបានរកឃើញនៅពេលដែលម៉ូដែលត្រូវបានផ្ទុក។ __name__ លក្ខណៈពិសេស: ការរក្សាទុកគំរូ Keras ម៉ូដែល Keras ដែលប្រើប្រភេទការបន្ថែមអាចត្រូវបានរក្សាទុកដោយប្រើ . SavedModel masked_tensor_model_path = tempfile.mkdtemp() tf.saved_model.save(masked_tensor_model, masked_tensor_model_path) imported_model = tf.saved_model.load(masked_tensor_model_path) imported_model(a) លក្ខណៈពិសេស: Save a Custom Model SavedModel អាចត្រូវបានប្រើផងដែរដើម្បីរក្សាទុក custom សៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅ tf.Module class CustomModule(tf.Module): def __init__(self, variable_value): super().__init__() self.v = tf.Variable(variable_value) @tf.function def grow(self, x: MaskedTensor): """Increase values in `x` by multiplying them by `self.v`.""" return MaskedTensor(x.values * self.v, x.mask) module = CustomModule(100.0) module.grow.get_concrete_function(MaskedTensor.Spec(shape=None, dtype=tf.float32)) custom_module_path = tempfile.mkdtemp() tf.saved_model.save(module, custom_module_path) imported_model = tf.saved_model.load(custom_module_path) imported_model.grow(MaskedTensor([1., 2, 3], [False, True, False])) ទាញយកម៉ូដែល SavedModel នៅពេលដែល មិនអាចរកបាន ExtensionType លក្ខណៈពិសេស ប្រសិនបើអ្នកទាញយក a វាត្រូវបានប្រើ ប៉ុន្តែវា មិនអាចប្រើបាន (ប្រសិនបើវាមិនត្រូវបាននាំចូល) បន្ទាប់មកអ្នកនឹងទទួលបានការអធិប្បាយនិង TensorFlow នឹងត្រឡប់មកវិញទៅប្រព័ន្ធប្រតិបត្តិការ TensorFlow ដើម្បីប្រើប្រព័ន្ធប្រតិបត្តិការ TensorFlow ដែលជាប្រព័ន្ធប្រតិបត្តិការ TensorFlow ដែលជាប្រព័ន្ធប្រតិបត្តិការ TensorFlow ។ ប្រព័ន្ធប្រតិបត្តិការ TensorFlow នេះនឹងមានប្រព័ន្ធប្រតិបត្តិការ TensorFlow ដែលជាប្រព័ន្ធប្រតិបត្តិការ TensorFlow ដែលជាប្រព័ន្ធប្រតិបត្តិការ TensorFlow ដែលជាប្រព័ន្ធប្រតិបត្តិការ TensorFlow ដែលជាប្រព័ន្ធប្រតិបត្តិការ TensorFlow ។ SavedModel ExtensionType ExtensionType ការប្រើប្រាស់ ប្រព័ន្ធ TensorFlow Serving លក្ខណៈពិសេស លក្ខណៈពិសេស ឥឡូវនេះ (និងអតិថិជនផ្សេងទៀតនៃសៀវភៅ "សៀវភៅ" នៃ SavedModel) អនុញ្ញាតឱ្យទាំងអស់នៃដំណាក់កាលនិងដំណាក់កាលទាំងអស់គឺជា tensors ដំបូង។ ប្រសិនបើអ្នកចង់ប្រើ TensorFlow Serving ជាមួយនឹងម៉ូដែលប្រើប្រភេទការបន្ថែម, បន្ទាប់មកអ្នកអាចបន្ថែមវិធីសាស្រ្ត wrapper ដែលបង្កើតឬកាត់បន្ថយតម្លៃប្រភេទការបន្ថែមពី tensors ។ ឧទាហរណ៍: TensorFlow ការផ្តល់សេវា class CustomModuleWrapper(tf.Module): def __init__(self, variable_value): super().__init__() self.v = tf.Variable(variable_value) @tf.function def var_weighted_mean(self, x: MaskedTensor): """Mean value of unmasked values in x, weighted by self.v.""" x = MaskedTensor(x.values * self.v, x.mask) return (tf.reduce_sum(x.with_default(0)) / tf.reduce_sum(tf.cast(x.mask, x.dtype))) @tf.function() def var_weighted_mean_wrapper(self, x_values, x_mask): """Raw tensor wrapper for var_weighted_mean.""" return self.var_weighted_mean(MaskedTensor(x_values, x_mask)) module = CustomModuleWrapper([3., 2., 8., 5.]) module.var_weighted_mean_wrapper.get_concrete_function( tf.TensorSpec(None, tf.float32), tf.TensorSpec(None, tf.bool)) custom_module_path = tempfile.mkdtemp() tf.saved_model.save(module, custom_module_path) imported_model = tf.saved_model.load(custom_module_path) x = MaskedTensor([1., 2., 3., 4.], [False, True, False, True]) imported_model.var_weighted_mean_wrapper(x.values, x.mask) s Dataset វាគឺជាកម្មវិធី API ដែលអនុញ្ញាតឱ្យអ្នកបង្កើតបំពង់បំពង់បំពង់ដំណាក់កម្រិតខ្ពស់ពីបំពង់ដំណាក់កម្រិតច្នៃប្រឌិត។ ប្រព័ន្ធទិន្នន័យសំខាន់របស់វាគឺ , ដែលជាប្រភេទនៃប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទ tf.data tf.data.Dataset ការសាងសង់ s ជាមួយនឹងប្រភេទការបន្ថែម ដំណឹង ដំណឹង ទិន្នន័យទិន្នន័យអាចត្រូវបានបង្កើតឡើងពីតម្លៃប្រភេទការបន្ថែមដោយប្រើ លោក ឬ : Dataset.from_tensors Dataset.from_tensor_slices Dataset.from_generator ds = tf.data.Dataset.from_tensors(Pastry(5, 5)) iter(ds).next() mt = MaskedTensor(tf.reshape(range(20), [5, 4]), tf.ones([5, 4])) ds = tf.data.Dataset.from_tensor_slices(mt) for value in ds: print(value) def value_gen(): for i in range(2, 7): yield MaskedTensor(range(10), [j%i != 0 for j in range(10)]) ds = tf.data.Dataset.from_generator( value_gen, output_signature=MaskedTensor.Spec(shape=[10], dtype=tf.int32)) for value in ds: print(value) ការបាត់បង់និងការបាត់បង់ s ជាមួយនឹងប្រភេទការបន្ថែម ដំណឹង ដំណឹង ទិន្នន័យជាមួយនឹងប្រភេទការបន្ថែមអាចត្រូវបាន batchand និង unbatched ដោយប្រើ និង . Dataset.batch Dataset.unbatch batched_ds = ds.batch(2) for value in batched_ds: print(value) unbatched_ds = batched_ds.unbatch() for value in unbatched_ds: print(value) សៀវភៅនេះត្រូវបានបោះពុម្ពនៅលើគេហទំព័រ TensorFlow នៅទីនេះនៅក្រោមកំណត់ថ្មីហើយត្រូវបានអនុញ្ញាតដោយ CC BY 4.0 ។ សៀវភៅនេះត្រូវបានផ្លាស់ប្តូរដោយ Apache 2.0 License ។ សៀវភៅនេះត្រូវបានបោះពុម្ពនៅលើគេហទំព័រ TensorFlow នៅទីនេះនៅក្រោមកំណត់ថ្មីហើយត្រូវបានអនុញ្ញាតដោយ CC BY 4.0 ។ សៀវភៅនេះត្រូវបានផ្លាស់ប្តូរដោយ Apache 2.0 License ។ ការ TensorFlow ការ TensorFlow