ประเภทการขยายตัว TensorFlow ที่อธิบายด้วยตัวอย่าง

ภาพรวมเนื้อหา การตั้งค่า ประเภทการขยายตัว รองรับ APIs ข้อกําหนด ประเภทสนาม การเปลี่ยนแปลง ฟังก์ชั่นเพิ่มโดย ExtensionType ผู้ผลิต การแสดงผลแบบพิมพ์ ผู้ประกอบการความเท่าเทียมกัน วิธีการตรวจสอบ Immutability ที่บังคับ ไฟฉาย TypeSpec ประเภทการปรับแต่งการขยายตัว การยกเลิกการแสดงผลแบบพิมพ์แบบ default การกําหนดวิธีการ การกําหนดวิธีการ ClassMethods และ StaticMethods การกําหนดทรัพย์สิน ดาวน์โหลด Default Constructor Overriding ตัวแทนความเท่าเทียมกันแบบ default (eq) การใช้การอ้างอิงด้านหน้า การกําหนด Subclasses การกําหนดฟิลด์ส่วนตัว การปรับแต่ง TypeSpec ของ ExtensionType การตั้งค่า !pip install -q tf_nightly import tensorflow as tf import numpy as np from typing import Tuple, List, Mapping, Union, Optional import tempfile ประเภทการขยายตัว ประเภทที่กําหนดโดยผู้ใช้สามารถทําให้โครงการอ่านได้มากขึ้นโมดูลและสามารถบํารุงรักษาได้ อย่างไรก็ตามส่วนใหญ่ APIs ของ TensorFlow มีการสนับสนุนที่ จํากัด สําหรับประเภท Python ที่กําหนดโดยผู้ใช้ ซึ่งรวมถึงทั้ง APIs ระดับสูง (เช่น , , ) และ API ระดับต่ํา (เช่น และ ) TensorFlow สามารถใช้เพื่อสร้างประเภทวัตถุที่กําหนดโดยผู้ใช้ซึ่งทํางานได้อย่างราบรื่นกับ API ของ TensorFlow เพื่อสร้างประเภทการขยายตัวเพียงแค่กําหนดคลาส Python ด้วย เป็นพื้นฐานและใช้ เพื่อระบุประเภทสําหรับแต่ละฟิลด์ เคล็ดลับ ฟังก์ชั่น tf tf.SavedModel tf.while_loop tf.concat extension types tf.experimental.ExtensionType ประเภทการบันทึก class TensorGraph(tf.experimental.ExtensionType): """A collection of labeled nodes connected by weighted edges.""" edge_weights: tf.Tensor # shape=[num_nodes, num_nodes] node_labels: Mapping[str, tf.Tensor] # shape=[num_nodes]; dtype=any class MaskedTensor(tf.experimental.ExtensionType): """A tensor paired with a boolean mask, indicating which values are valid.""" values: tf.Tensor mask: tf.Tensor # shape=values.shape; false for missing/invalid values. class CSRSparseMatrix(tf.experimental.ExtensionType): """Compressed sparse row matrix (https://en.wikipedia.org/wiki/Sparse_matrix).""" values: tf.Tensor # shape=[num_nonzero]; dtype=any col_index: tf.Tensor # shape=[num_nonzero]; dtype=int64 row_index: tf.Tensor # shape=[num_rows+1]; dtype=int64 โซ ฐานคลาสทํางานคล้ายกันกับ และ จากห้องสมุด Python มาตรฐาน โดยเฉพาะอย่างยิ่งมันจะเพิ่มตัวสร้างและวิธีการพิเศษโดยอัตโนมัติ (เช่น และ ) ขึ้นอยู่กับตัวอักษรของฟิลด์ tf.experimental.ExtensionType typing.NamedTuple @dataclasses.dataclass __repr__ __eq__ โดยทั่วไปประเภทการขยายตัวมักจะตกอยู่ในหนึ่งในสองประเภท: โครงสร้างข้อมูลซึ่งรวบรวมชุดของค่าที่เกี่ยวข้องและสามารถให้การดําเนินงานที่มีประโยชน์ขึ้นอยู่กับค่าเหล่านี้ โครงสร้างข้อมูลอาจค่อนข้างทั่วไป (เช่นตัวอย่าง TensorGraph ด้านบน) หรือสามารถปรับแต่งให้เหมาะกับรูปแบบเฉพาะ ชนิดที่คล้ายกับ Tensor ซึ่งเชี่ยวชาญหรือขยายแนวคิดของ "Tensor" ชนิดในหมวดหมู่นี้มีระดับรูปร่างและมักจะมี dtype และมีความหมายที่จะใช้พวกเขากับการดําเนินงาน Tensor (เช่น tf.stack, tf.add หรือ tf.matmul) MaskedTensor และ CSRSparseMatrix เป็นตัวอย่างของประเภทที่คล้ายกับ tensor โครงสร้างข้อมูล Tensor-like ชนิด รองรับ APIs ประเภทการขยายตัวได้รับการสนับสนุนโดย APIs TensorFlow ต่อไปนี้: Keras: ประเภทการขยายตัวสามารถใช้เป็น input และ outputs สําหรับ Keras Models และ Layers tf.data.Dataset: ประเภทการขยายตัวสามารถรวมอยู่ใน Datasets และกลับโดย Dataset Iterators TensorFlow Hub: ประเภทการขยายตัวสามารถใช้เป็นอินพุตและเอาต์พุตสําหรับโมดูล tf.hub SavedModel: ประเภทการขยายตัวสามารถใช้เป็นอินพุตและเอาต์พุตสําหรับฟังก์ชั่น SavedModel tf.function: ประเภทการขยายตัวสามารถใช้เป็นอาร์กเมนต์และส่งคืนค่าสําหรับฟังก์ชั่นที่ห่อด้วยตัวตกแต่ง @tf.function ในขณะที่ loop: ประเภทการขยายตัวสามารถใช้เป็นตัวแปร loop ใน tf.while_loop และสามารถใช้เป็นตัวอักษรและค่ากลับสําหรับร่างกาย loop while ประเภทการขยายตัวสามารถเลือกตามเงื่อนไขโดยใช้ tf.cond และ tf.case tf.py_function: ประเภทการขยายตัวสามารถใช้เป็นตัวอักษรและคืนค่าสําหรับตัวอักษร func เพื่อ tf.py_function ตัวเลือก Tensor: ประเภทการขยายตัวสามารถขยายได้เพื่อรองรับตัวเลือก TensorFlow ส่วนใหญ่ที่ยอมรับอินพุต Tensor (เช่น tf.matmul, tf.gather และ tf.reduce_sum) ไปที่ส่วน "ส่ง" ด้านล่างเพื่อดูข้อมูลเพิ่มเติม กลยุทธ์การกระจาย: ประเภทการขยายตัวสามารถใช้เป็นค่า per-replica สําหรับรายละเอียดเพิ่มเติมโปรดดูส่วนด้านล่างเกี่ยวกับ "API TensorFlow ที่รองรับ ExtensionTypes" ข้อกําหนด ประเภทสนาม ควรประกาศฟิลด์ทั้งหมด – ตัวแปรตัวอย่าง – และต้องให้คําอธิบายประเภทสําหรับแต่ละฟิลด์ รองรับคําอธิบายประเภทต่อไปนี้: Type Example Python integers i: int Python floats f: float Python strings s: str Python booleans b: bool Python None n: None Tensor shapes shape: tf.TensorShape s Tensor dtype dtype: tf.DType Tensors t: tf.Tensor Extension types mt: MyMaskedTensor Ragged tensors rt: tf.RaggedTensor Sparse tensors st: tf.SparseTensor Indexed slices s: tf.IndexedSlices Optional tensors o: tf.experimental.Optional Type unions int_or_float: typing.Union[int, float] Tuples params: typing.Tuple[int, float, tf.Tensor, int] Var-length tuples lengths: typing.Tuple[int, ...] Mappings tags: typing.Mapping[str, tf.Tensor] Optional values weight: typing.Optional[tf.Tensor] พีทอน Integrator i: int พีทอน Floats f: float ปิโตน Strings s: str บูเลียน Python b: bool แพทช์ None n: None รูปแบบ Tensor shape: tf.TensorShape s แรงดันไฟฟ้า dtype dtype: tf.DType แรงดันไฟฟ้า t: tf.Tensor ประเภทการขยายตัว mt: MyMaskedTensor แรงดันไฟฟ้า rt: tf.RaggedTensor แรงดันไฟฟ้าประหยัด st: tf.SparseTensor ชิ้นส่วนดัชนี s: tf.IndexedSlices tensors ตัวเลือก o: tf.experimental.Optional ประเภทพันธมิตร int_or_float: typing.Union[int, float] ตุ๊กตา params: typing.Tuple[int, float, tf.Tensor, int] วาล์ว Tuples lengths: typing.Tuple[int, ...] แผนที่ tags: typing.Mapping[str, tf.Tensor] ค่าใช้จ่ายทางเลือก weight: typing.Optional[tf.Tensor] การเปลี่ยนแปลง ประเภทการขยายตัวต้องไม่สามารถเปลี่ยนแปลงได้ สิ่งนี้ทําให้มั่นใจได้ว่าสามารถติดตามได้โดยกลไกการติดตามกราฟของ TensorFlow ได้อย่างถูกต้อง หากคุณพบว่าคุณต้องการเปลี่ยนค่าประเภทการขยายตัวให้พิจารณาการกําหนดวิธีการที่แปลงค่า ตัวอย่างเช่นแทนที่จะกําหนดค่า วิธีที่จะเปลี่ยน a คุณสามารถกําหนด a วิธีการที่กลับไปใหม่ : set_mask MaskedTensor replace_mask MaskedTensor class MaskedTensor(tf.experimental.ExtensionType): values: tf.Tensor mask: tf.Tensor def replace_mask(self, new_mask): self.values.shape.assert_is_compatible_with(new_mask.shape) return MaskedTensor(self.values, new_mask) ฟังก์ชั่นเพิ่มโดย ExtensionType ประเภทการขยาย โซ base class ให้ฟังก์ชั่นต่อไปนี้: ExtensionType A ผู้สร้าง (__init__) วิธีการแสดงผลแบบพิมพ์ (__repr__) ตัวแทนความเท่าเทียมกันและความไม่เท่าเทียมกัน (__eq__) วิธีการยืนยัน (__validate__) ความไม่เปลี่ยนแปลงที่บังคับ TypeSpec แบบ Nested สนับสนุน Tensor API Dispatch ไปที่ “การปรับแต่ง” s" ส่วนด้านล่างสําหรับข้อมูลเพิ่มเติมเกี่ยวกับการปรับแต่งฟังก์ชั่นนี้ ExtensionType ผู้ผลิต ผู้ผลิตเพิ่มโดย ใช้ฟิลด์แต่ละฟิลด์เป็นตัวอักษรชื่อ (ตามลําดับที่ระบุไว้ในการกําหนดคลาส) เครื่องมือสร้างนี้จะตรวจสอบการพิมพ์พารามิเตอร์แต่ละพารามิเตอร์และแปลงได้ตามที่จําเป็น โดยเฉพาะอย่างยิ่ง ฟิลด์จะถูกแปลงโดยใช้ · พื้นที่จะถูกแปลงเป็น s; และ ฟิลด์จะถูกแปลงเป็นคําพูดที่ไม่สามารถเปลี่ยนแปลงได้ ExtensionType Tensor tf.convert_to_tensor Tuple tuple Mapping class MaskedTensor(tf.experimental.ExtensionType): values: tf.Tensor mask: tf.Tensor # Constructor takes one parameter for each field. mt = MaskedTensor(values=[[1, 2, 3], [4, 5, 6]], mask=[[True, True, False], [True, False, True]]) # Fields are type-checked and converted to the declared types. # For example, `mt.values` is converted to a Tensor. print(mt.values) ผู้ก่อสร้างยกขึ้น ถ้าค่าฟิลด์ไม่สามารถแปลงเป็นประเภทที่ประกาศได้: TypeError try: MaskedTensor([1, 2, 3], None) except TypeError as e: print(f"Got expected TypeError: {e}") คุณสามารถระบุค่าเริ่มต้นสําหรับฟิลด์ได้โดยการตั้งค่าค่าของฟิลด์ในระดับชั้น: class Pencil(tf.experimental.ExtensionType): color: str = "black" has_erasor: bool = True length: tf.Tensor = 1.0 Pencil() Pencil(length=0.5, color="blue") การแสดงผลแบบพิมพ์ เพิ่มวิธีการพิมพ์แบบกําหนดค่า ( ) ซึ่งรวมถึงชื่อชั้นและค่าสําหรับแต่ละฟิลด์: ExtensionType __repr__ print(MaskedTensor(values=[1, 2, 3], mask=[True, True, False])) ผู้ประกอบการความเท่าเทียมกัน เพิ่มตัวเร่งปฏิกิริยาเท่าเทียมกัน ( และ ) ที่ถือว่าสองค่าเท่าเทียมกันถ้าพวกเขามีประเภทเดียวกันและฟิลด์ทั้งหมดของพวกเขาเท่าเทียมกัน พื้น Tensor จะถือว่าเท่าเทียมกันถ้าพวกเขามีรูปร่างเดียวกันและเป็นองค์ประกอบเท่าเทียมกันสําหรับองค์ประกอบทั้งหมด ExtensionType __eq__ __ne__ a = MaskedTensor([1, 2], [True, False]) b = MaskedTensor([[3, 4], [5, 6]], [[False, True], [True, True]]) print(f"a == a: {a==a}") print(f"a == b: {a==b}") print(f"a == a.values: {a==a.values}") หมายเหตุ: หากฟิลด์ใด ๆ มี Tensor แล้ว __eq__ อาจกลับค่า scalar boolean Tensor (แทนค่า Python boolean) หมายเหตุ: หากฟิลด์ใด ๆ มี Tensor แล้ว __eq__ อาจกลับค่า scalar boolean Tensor (แทนค่า Python boolean) วิธีการตรวจสอบ เพิ่ม a วิธีการซึ่งสามารถนํามาใช้เพื่อทําการตรวจสอบการยืนยันในฟิลด์ มันจะทํางานหลังจากที่ผู้สร้างถูกเรียกและหลังจากที่ฟิลด์ได้รับการตรวจสอบการพิมพ์และแปลงเป็นประเภทที่ประกาศดังนั้นจึงสามารถพิจารณาว่าฟิลด์ทั้งหมดมีประเภทที่ประกาศ ExtensionType __validate__ ตัวอย่างการอัปเดตต่อไปนี้ เพื่อให้ถูกต้อง s และ s ของฟิลด์ของมัน: MaskedTensor shape dtype class MaskedTensor(tf.experimental.ExtensionType): """A tensor paired with a boolean mask, indicating which values are valid.""" values: tf.Tensor mask: tf.Tensor def __validate__(self): self.values.shape.assert_is_compatible_with(self.mask.shape) assert self.mask.dtype.is_bool, 'mask.dtype must be bool' try: MaskedTensor([1, 2, 3], [0, 1, 0]) # Wrong `dtype` for mask. except AssertionError as e: print(f"Got expected AssertionError: {e}") try: MaskedTensor([1, 2, 3], [True, False]) # shapes don't match. except ValueError as e: print(f"Got expected ValueError: {e}") Immutability ที่บังคับ อัปโหลด และ วิธีการป้องกันการเปลี่ยนแปลงเพื่อให้แน่ใจว่าค่าประเภทการขยายตัวไม่สามารถเปลี่ยนแปลงได้ ExtensionType __setattr__ __delattr__ mt = MaskedTensor([1, 2, 3], [True, False, True]) try: mt.mask = [True, True, True] except AttributeError as e: print(f"Got expected AttributeError: {e}") try: mt.mask[0] = False except TypeError as e: print(f"Got expected TypeError: {e}") try: del mt.mask except AttributeError as e: print(f"Got expected AttributeError: {e}") ไฟฉาย TypeSpec ทุกคน ชั้นเรียนมีสอดคล้อง คลาสซึ่งจะถูกสร้างขึ้นโดยอัตโนมัติและจัดเก็บเป็น . ExtensionType TypeSpec .Spec คลาสนี้จับข้อมูลทั้งหมดจากค่า สําหรับค่าของตัวเร่งปฏิกิริยาใด ๆ โดยเฉพาะอย่างยิ่ง สําหรับค่าจะถูกสร้างขึ้นโดยการแทนที่ Tensor, ExtensionType หรือ CompositeTensor ที่ติดอยู่กับ . ยกเว้น TypeSpec TypeSpec class Player(tf.experimental.ExtensionType): name: tf.Tensor attributes: Mapping[str, tf.Tensor] anne = Player("Anne", {"height": 8.3, "speed": 28.1}) anne_spec = tf.type_spec_from_value(anne) print(anne_spec.name) # Records `dtype` and `shape`, but not the string value. print(anne_spec.attributes) # Records keys and TensorSpecs for values. ค่าใช้จ่ายสามารถสร้างขึ้นอย่างชัดเจนหรือพวกเขาสามารถสร้างจาก ค่าใช้จ่าย : TypeSpec ExtensionType tf.type_spec_from_value spec1 = Player.Spec(name=tf.TensorSpec([], tf.float32), attributes={}) spec2 = tf.type_spec_from_value(anne) s ใช้โดย TensorFlow เพื่อแบ่งค่าเป็น a และ a : TypeSpec static component dynamic component ส่วนประกอบแบบคงที่ (ซึ่งคงที่ในเวลาการสร้างกราฟ) ถูกเข้ารหัสด้วย tf.TypeSpec ส่วนประกอบแบบไดนามิก (ซึ่งสามารถเปลี่ยนแปลงได้ทุกครั้งที่กราฟจะทํางาน) จะถูกเข้ารหัสเป็นรายการ tf.Tensors ตัวอย่างเช่น รีทราคฟังก์ชั่นที่ห่อเมื่ออธิบายมีอธิบายที่ไม่เคยเห็นมาก่อน : tf.function TypeSpec @tf.function def anonymize_player(player): print(" >") return Player(" ", player.attributes) # Function gets traced (first time the function has been called): anonymize_player(Player("Anne", {"height": 8.3, "speed": 28.1})) # Function does NOT get traced (same TypeSpec: just tensor values changed) anonymize_player(Player("Bart", {"height": 8.1, "speed": 25.3})) # Function gets traced (new TypeSpec: keys for attributes changed): anonymize_player(Player("Chuck", {"height": 11.0, "jump": 5.3})) สําหรับข้อมูลเพิ่มเติมดูที่ . tf.function คู่มือ การปรับแต่ง s ประเภทการขยาย ประเภทการขยาย นอกเหนือจากการประกาศฟิลด์และประเภทของฟิลด์ประเภทการขยายตัวอาจ: แปลงตัวแทนการพิมพ์แบบ default (__repr__) กําหนดวิธีการ กําหนดวิธีการชั้นเรียนและวิธีการคงที่ กําหนดคุณสมบัติ ดาวน์โหลดตัวสร้างเริ่มต้น (__init__) Override ตัวทําธุรกรรมความเท่าเทียมกันเริ่มต้น (__eq__) กําหนดตัวแทน (เช่น __add__ และ ) ประกาศค่าเริ่มต้นสําหรับฟิลด์ กําหนด Subclasses การยกเลิกการแสดงผลแบบพิมพ์แบบ default คุณสามารถยกเลิกการแปลงลําดับ default นี้สําหรับประเภทการขยายตัว ตัวอย่างต่อไปนี้จะอัปเดต คลาสเพื่อสร้างตัวอักษร string ที่สามารถอ่านได้มากขึ้นเมื่อพิมพ์ค่าในโหมด Eager MaskedTensor class MaskedTensor(tf.experimental.ExtensionType): """A tensor paired with a boolean mask, indicating which values are valid.""" values: tf.Tensor mask: tf.Tensor # shape=values.shape; false for invalid values. def __repr__(self): return masked_tensor_str(self.values, self.mask) def masked_tensor_str(values, mask): if isinstance(values, tf.Tensor): if hasattr(values, 'numpy') and hasattr(mask, 'numpy'): return f' ' else: return f'MaskedTensor(values={values}, mask={mask})' if len(values.shape) == 1: items = [repr(v) if m else '_' for (v, m) in zip(values, mask)] else: items = [masked_tensor_str(v, m) for (v, m) in zip(values, mask)] return '[%s]' % ', '.join(items) mt = MaskedTensor(values=[[1, 2, 3], [4, 5, 6]], mask=[[True, True, False], [True, False, True]]) print(mt) การกําหนดวิธีการ ประเภทการขยายตัวสามารถกําหนดวิธีการเช่นเดียวกับคลาส Python ธรรมดา ชนิดสามารถกําหนด a วิธีที่ส่งคืนสําเนาของ ด้วยค่าที่ซ่อนไว้ถูกแทนที่ด้วยค่าที่กําหนด value. Methods อาจจะอธิบายด้วยตัวเลือก การตกแต่ง MaskedTensor with_default self default @tf.function class MaskedTensor(tf.experimental.ExtensionType): values: tf.Tensor mask: tf.Tensor def with_default(self, default): return tf.where(self.mask, self.values, default) MaskedTensor([1, 2, 3], [True, False, True]).with_default(0) การกําหนด s และ s classmethod staticmethod ประเภทการขยายตัวสามารถกําหนดวิธีการที่ใช้ และ การตกแต่ง ตัวอย่างเช่น ประเภทสามารถกําหนดวิธีการจากโรงงานที่ masks องค์ประกอบใด ๆ กับค่าที่กําหนด: @classmethod @staticmethod MaskedTensor class MaskedTensor(tf.experimental.ExtensionType): values: tf.Tensor mask: tf.Tensor def __repr__(self): return masked_tensor_str(self.values, self.mask) @staticmethod def from_tensor_and_value_to_mask(values, value_to_mask): return MaskedTensor(values, values != value_to_mask) x = tf.constant([[1, 0, 2], [3, 0, 0]]) MaskedTensor.from_tensor_and_value_to_mask(x, 0) การกําหนดทรัพย์สิน ประเภทการขยายตัวสามารถกําหนดคุณสมบัติโดยใช้ decorator เช่นเดียวกับทุกคลาส Python โดยปกติ ตัวอย่างเช่น ชนิดสามารถกําหนด a สิ่งอํานวยความสะดวกที่เป็นระยะสั้นสําหรับ ของค่า: @property MaskedTensor dtype dtype class MaskedTensor(tf.experimental.ExtensionType): values: tf.Tensor mask: tf.Tensor @property def dtype(self): return self.values.dtype MaskedTensor([1, 2, 3], [True, False, True]).dtype ดาวน์โหลด Default Constructor คุณสามารถยกเลิกตัวสร้างมาตรฐานสําหรับประเภทการขยายตัว ตัวสร้างที่กําหนดเองต้องตั้งค่าสําหรับแต่ละฟิลด์ที่ประกาศ และหลังจากที่ตัวสร้างที่กําหนดเองกลับฟิลด์ทั้งหมดจะถูกตรวจสอบการพิมพ์และค่าจะถูกแปลงตามที่อธิบายไว้ข้างต้น class Toy(tf.experimental.ExtensionType): name: str price: tf.Tensor def __init__(self, name, price, discount=0): self.name = name self.price = price * (1 - discount) print(Toy("ball", 5.0, discount=0.2)) # On sale -- 20% off! ทางเลือกอื่นคุณอาจพิจารณาการออกจากตัวสร้างมาตรฐานเป็นตัวแทน แต่เพิ่มวิธีการจากโรงงานหนึ่งหรือมากกว่า ตัวอย่างเช่น: class Toy(tf.experimental.ExtensionType): name: str price: tf.Tensor @staticmethod def new_toy_with_discount(name, price, discount): return Toy(name, price * (1 - discount)) print(Toy.new_toy_with_discount("ball", 5.0, discount=0.2)) การยกเว้นตัวอักษรความเท่าเทียมกัน ( ) __eq__ คุณสามารถยกเลิกการ default ตัวดําเนินการสําหรับประเภทการขยายตัว ตัวอย่างต่อไปนี้อัปเดต การลืมองค์ประกอบที่ซ่อนอยู่เมื่อเปรียบเทียบเพื่อความเท่าเทียมกัน __eq__ MaskedTensor class MaskedTensor(tf.experimental.ExtensionType): values: tf.Tensor mask: tf.Tensor def __repr__(self): return masked_tensor_str(self.values, self.mask) def __eq__(self, other): result = tf.math.equal(self.values, other.values) result = result | ~(self.mask & other.mask) return tf.reduce_all(result) x = MaskedTensor([1, 2, 3, 4], [True, True, False, True]) y = MaskedTensor([5, 2, 0, 4], [False, True, False, True]) print(x == y) หมายเหตุ: โดยทั่วไปคุณไม่จําเป็นต้องยกเลิก , เนื่องจากการใช้งานเริ่มต้นเพียงแค่เรียก __eq__ และปฏิเสธผล คุณโดยทั่วไปไม่จําเป็นต้องเลื่อน เนื่องจากการใช้งาน default ของมันเพียงแค่เรียกร้อง และปฏิเสธผล Note: __ne__ __eq__ การใช้การอ้างอิงด้านหน้า หากประเภทสําหรับฟิลด์ยังไม่ได้กําหนดแล้วคุณสามารถใช้ลําดับที่มีชื่อของประเภทแทน ในตัวอย่างต่อไปนี้ลําดับ ใช้ในการบันทึก พื้นที่เพราะ ชนิดยังไม่ได้ถูกกําหนด (สมบูรณ์) "Node" children Node class Node(tf.experimental.ExtensionType): value: tf.Tensor children: Tuple["Node", ...] = () Node(3, [Node(5), Node(2)]) การกําหนด Subclasses ประเภทการขยายตัวสามารถจัดประเภทภายใต้โดยใช้การอธิบาย Python มาตรฐาน ประเภทการขยายตัวอาจเพิ่มฟิลด์วิธีการและคุณสมบัติใหม่ และอาจยกเลิกตัวสร้างตัวอักษรที่สามารถพิมพ์ได้และตัวอักษรความเท่าเทียมกัน ตัวอย่างต่อไปนี้กําหนดค่าพื้นฐาน ชั้นเรียนที่ใช้สาม ฟิลด์เพื่อเข้ารหัสชุดขอบระหว่าง nodes จากนั้นจะกําหนด subclass ที่เพิ่ม ฟิลด์เพื่อบันทึก "ค่าคุณสมบัติ" สําหรับแต่ละแกน ซูคลาสยังกําหนดวิธีการในการแพร่กระจายค่าคุณสมบัติตามขอบ TensorGraph Tensor Tensor class TensorGraph(tf.experimental.ExtensionType): num_nodes: tf.Tensor edge_src: tf.Tensor # edge_src[e] = index of src node for edge e. edge_dst: tf.Tensor # edge_dst[e] = index of dst node for edge e. class TensorGraphWithNodeFeature(TensorGraph): node_features: tf.Tensor # node_features[n] = feature value for node n. def propagate_features(self, weight=1.0) -> 'TensorGraphWithNodeFeature': updates = tf.gather(self.node_features, self.edge_src) * weight new_node_features = tf.tensor_scatter_nd_add( self.node_features, tf.expand_dims(self.edge_dst, 1), updates) return TensorGraphWithNodeFeature( self.num_nodes, self.edge_src, self.edge_dst, new_node_features) g = TensorGraphWithNodeFeature( # Edges: 0->1, 4->3, 2->2, 2->1 num_nodes=5, edge_src=[0, 4, 2, 2], edge_dst=[1, 3, 2, 1], node_features=[10.0, 0.0, 2.0, 5.0, -1.0, 0.0]) print("Original features:", g.node_features) print("After propagating:", g.propagate_features().node_features) การกําหนดฟิลด์ส่วนตัว พื้นที่ของประเภทการขยายตัวสามารถทําเครื่องหมายเป็นส่วนตัวโดยการตั้งค่าก่อนด้วย underscore (ตามสัญญา Python มาตรฐาน) สิ่งนี้ไม่ส่งผลกระทบต่อวิธีที่ TensorFlow รักษาฟิลด์ในทางใด ๆ แต่ทําหน้าที่เป็นสัญญาณแก่ผู้ใช้ประเภทการขยายตัวใด ๆ ที่ฟิลด์เหล่านี้เป็นส่วนตัว การปรับแต่ง ส ExtensionType TypeSpec ทุกคน ชั้นเรียนมีสอดคล้อง คลาสซึ่งจะถูกสร้างขึ้นโดยอัตโนมัติและจัดเก็บเป็น สําหรับข้อมูลเพิ่มเติมโปรดดูส่วน "Nested TypeSpec" ด้านบน ExtensionType TypeSpec .Spec เพื่อกําหนดเอง , เพียงแค่กําหนดคลาสนิสของคุณเองที่ตั้งชื่อ และ จะใช้มันเป็นพื้นฐานสําหรับการสร้างอัตโนมัติ คุณสามารถกําหนดเอง คลาสโดย: TypeSpec Spec ExtensionType TypeSpec Spec การยกเลิกการแสดงผลแบบพิมพ์แบบ default ดาวน์โหลดผู้สร้าง default การกําหนดวิธีการ, วิธีการชั้น, วิธีการคงที่และคุณสมบัติ ตัวอย่างต่อไปนี้กําหนดค่า คลาสเพื่อให้ใช้งานง่ายขึ้น: MaskedTensor.Spec class MaskedTensor(tf.experimental.ExtensionType): values: tf.Tensor mask: tf.Tensor shape = property(lambda self: self.values.shape) dtype = property(lambda self: self.values.dtype) def __repr__(self): return masked_tensor_str(self.values, self.mask) def with_values(self, new_values): return MaskedTensor(new_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) def __repr__(self): return f"MaskedTensor.Spec(shape={self.shape}, dtype={self.dtype})" shape = property(lambda self: self.values.shape) dtype = property(lambda self: self.values.dtype) หมายเหตุ: คลาส Spec ที่กําหนดเองไม่สามารถใช้ตัวแปรตัวอย่างใด ๆ ที่ไม่ได้ประกาศใน ExtensionType ที่เดิม ประเพณี คลาสไม่สามารถใช้ตัวแปรตัวอย่างใด ๆ ที่ไม่ได้ประกาศในต้นฉบับ . Note: Spec ExtensionType อ้างอิงที่เผยแพร่บนเว็บไซต์ TensorFlow บทความนี้ปรากฏที่นี่ภายใต้หัวข้อใหม่และมีใบอนุญาตภายใต้ CC BY 4.0 ตัวอย่างรหัสที่ใช้ร่วมกันภายใต้ใบอนุญาต Apache 2.0 Originally published on the website, this article appears here under a new headline and is licensed under CC BY 4.0. Code samples shared under the Apache 2.0 License. TensorFlow TensorFlow TensorFlow