TensorFlow توسیع کی اقسام مثالوں کے ساتھ وضاحت کی

مواد کا جائزہ لیں نصب کریں توسیع کی اقسام APIs کی حمایت مطالبات میدان کی اقسام متغیر ExtensionType کی طرف سے اضافی سرگرمی تعمیر پرنٹنگ کی نمائندگی مساوات کے عملے Validation کا طریقہ Immutability کے اثرات TypeSpec کے بارے میں ExtensionTypes کے مترادفات پیشہ ورانہ پیشہ ورانہ پیشہ ورانہ پیشہ ورانہ پیشکش طریقوں کی وضاحت کلاس کے طریقوں اور سٹیٹک طریقوں کی وضاحت ملکیت کا تعین ڈپازٹ ڈیزائنر کو اپنائیں غیر معمولی مساوات کے عملے (eq) forward references کا استعمال کریں زمرہ:Subclasses خصوصی میدانوں کا تعین ExtensionType کے TypeSpec کو اپنی مرضی کے مطابق کریں نصب کریں !pip install -q tf_nightly import tensorflow as tf import numpy as np from typing import Tuple, List, Mapping, Union, Optional import tempfile توسیع کی اقسام صارف کی طرف سے مقرر کردہ اقسام پروجیکٹ کو زیادہ پڑھنے کے قابل، ماڈیولر، اور برقرار رکھنے کے قابل بنا سکتے ہیں. تاہم، زیادہ تر TensorFlow APIز صارف کی طرف سے مقرر کردہ Python اقسام کے لئے بہت محدود حمایت کرتے ہیں. ، ، ) اور نیچے کی سطح API (جیسے جیسے اور TensorFlow کے بارے میں استعمال کیا جا سکتا ہے جو صارف کی طرف سے مقرر کردہ اشیاء پر مبنی اقسام پیدا کرنے کے لئے جو TensorFlow کے API کے ساتھ آسانی سے کام کرتے ہیں. اس کی بنیاد ہے اور اس کا استعمال ہر میدان کے لئے قسم کی وضاحت کریں. کیریا TF کام کرتا ہے tf.SavedModel tf.while_loop tf.concat extension types tf.experimental.ExtensionType نوٹ کی اقسام 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 کے بنیادی کلاس کے طور پر کام کرتا ہے اور خاص طور پر، یہ خود کار طریقے سے ایک کنورٹر اور خصوصی طریقوں (مثلا اور ) مندرجہ ذیل فیلڈ کی قسم کے نوٹ پر مبنی ہے. tf.experimental.ExtensionType typing.NamedTuple @dataclasses.dataclass __repr__ __eq__ عام طور پر، توسیع کی اقسام دو اقسام میں سے ایک میں داخل ہونے کی عادت رکھتے ہیں: اعداد و شمار کے ڈھانچے، جو متعلقہ اقدار کے ایک مجموعہ کو جمع کرتے ہیں، اور ان اقدار پر مبنی مفید عمل فراہم کرسکتے ہیں.Data structures can be fairly general (such as the TensorGraph example above); or they may be highly customized to a specific model. اس زمرے میں قسموں میں ایک درجہ، ایک شکل، اور عام طور پر ایک dtype ہے؛ اور یہ Tensor کاموں (مثال کے طور پر tf.stack، tf.add، یا tf.matmul) کے ساتھ ان کا استعمال کرنا منطقی ہے MaskedTensor اور CSRSparseMatrix tensor-like اقسام کے مثالیں ہیں. ڈیٹا کی ساختیں ٹینس کی طرح APIs کی حمایت توسیع کی اقسام مندرجہ ذیل TensorFlow APIز کی طرف سے حمایت کی جاتی ہیں: Keras: توسیع کی اقسام کو Keras ماڈل اور layers کے لئے ان پٹ اور outputs کے طور پر استعمال کیا جا سکتا ہے. tf.data.Dataset: Extension types can be included in Datasets, and returned by dataset Iterators. ڈیٹا سیٹ: ڈیٹا سیٹ میں Extension types شامل ہو سکتے ہیں، اور ڈیٹا سیٹ Iterators کی طرف سے واپسی کی جاتی ہے. TensorFlow Hub: توسیع کی اقسام tf.hub ماڈیولوں کے لئے ان پٹ اور ان پٹ کے طور پر استعمال کیا جا سکتا ہے. SavedModel: توسیع کی اقسام SavedModel فائلوں کے لئے ان پٹ اور outputs کے طور پر استعمال کیا جا سکتا ہے. tf.function: توسیع کی اقسام کے طور پر استعمال کیا جا سکتا ہے اور @tf.function decorator کے ساتھ پھینک دیا فائلوں کے لئے اقدار کی واپسی. While loops: Extension types can be used as loop variables in tf.while_loop, and can be used as arguments and return values for the while-loop's body. شرائط: توسیع کی اقسام tf.cond اور tf.case کا استعمال کرتے ہوئے شرائط میں منتخب کیا جا سکتا ہے. tf.py_function: توسیع اقسام کے طور پر استعمال کیا جا سکتا ہے اور tf.py_function کے لئے func اقسام کے لئے اقسام کی واپسی. Tensor ops: Extension types can be extended to support most TensorFlow ops that accept Tensor inputs (such as tf.matmul, tf.gather, and tf.reduce_sum). مزید معلومات کے لئے ذیل میں "Dispatch" سیکشن پر جائیں. توسیع کی حکمت عملی: توسیع کی اقسام per-replica اقدار کے طور پر استعمال کیا جا سکتا ہے. مزید تفصیلات کے لئے، ذیل میں "TensorFlow APIs that support ExtensionTypes" کے بارے میں سیکشن دیکھیں. مطالبات میدان کی اقسام تمام فیلڈز - انسٹال متغیرز - کو اعلان کیا جانا چاہئے، اور ہر فیلڈ کے لئے ایک قسم کا نوٹ فراہم کیا جانا چاہئے. 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] Python کے مترادفات i: int پائٹون floats f: float Python سکرینز s: str پائٹون booleans b: bool Python کے None n: None ٹینسور شکل shape: tf.TensorShape s ٹینسر dtype dtype: tf.DType ٹینس t: tf.Tensor توسیع کی اقسام mt: MyMaskedTensor ٹینسنگ ٹینسنگ rt: tf.RaggedTensor ٹینس بچاؤ st: tf.SparseTensor indexes کے s: tf.IndexedSlices اختیاری ٹینس o: tf.experimental.Optional اتحادیوں کی اقسام int_or_float: typing.Union[int, float] دوپہر params: typing.Tuple[int, float, tf.Tensor, int] طویل مدتی ٹائپ lengths: typing.Tuple[int, ...] نقشے tags: typing.Mapping[str, tf.Tensor] اختیاری قیمتیں weight: typing.Optional[tf.Tensor] متغیر یہ یقینی بناتا ہے کہ وہ TensorFlow کے گراف ٹریکنگ میکانیزم کی طرف سے مناسب طریقے سے ٹریک کیا جا سکتا ہے. اگر آپ کو آپ کو ایک وسیع پیمانے پر قسم کے اقدار کو تبدیل کرنا چاہتے ہیں تو، اس کے بجائے ان طریقوں کو مقرر کرنے پر غور کریں جو اقدار کو تبدیل کرتے ہیں. تبدیل کرنے کا طریقہ A آپ کی تعریف کر سکتے ہیں a وہ طریقہ جو ایک نئی چیز واپس کرتا ہے : 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) Added Functionality کی طرف سے ExtensionType وسیع پیمانے پر کے base class مندرجہ ذیل سرگرمیوں کو فراہم کرتا ہے: ExtensionType ایک ڈائریکٹر (__init__) ایک پرنٹ شدہ نمائندگی کے طریقہ کار (__repr__). مساوات اور غیر مساوات کے عملے (__eq__) ایک تصدیق کا طریقہ (__validate__) غیر متغیر کی ضرورت ہے. ٹائپ ٹائپ ٹائپ Tensor API dispatch کی حمایت. "Customization" پر جائیں s" کے سیکشن کے نیچے اس سرگرمی کو اپنی مرضی کے مطابق کرنے کے بارے میں مزید معلومات کے لئے. ExtensionType تعمیر مصنف نے مزید کہا ہر میدان کو ایک نامی آرائش کے طور پر لے جاتا ہے (جیسا کہ وہ کلاس کی وضاحت میں درج کیا گیا تھا). یہ کنورٹر ہر پیرامیٹر کو typ-check کرے گا، اور ان کو تبدیل کریں جہاں ضروری ہے. میدانوں کا استعمال کرتے ہوئے تبدیل کیا جاتا ہے · میدانوں کو تبدیل کیا جاتا ہے s؛ اور مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل ہیں. 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) کارخانہ دار نے ایک اگر ایک فیلڈ کے معیار کو اس کی اعلان کردہ قسم میں تبدیل نہیں کیا جا سکتا: TypeError try: MaskedTensor([1, 2, 3], None) except TypeError as e: print(f"Got expected TypeError: {e}") ایک فیلڈ کے لئے معیاری قیمت کو کلاس کی سطح پر اس کے معیار کو مقرر کرتے ہوئے مقرر کیا جا سکتا ہے: class Pencil(tf.experimental.ExtensionType): color: str = "black" has_erasor: bool = True length: tf.Tensor = 1.0 Pencil() Pencil(length=0.5, color="blue") پرنٹنگ کی نمائندگی ‫‪ (‪ )‬‬ ‫‪ (‪ )‬‬ ‫‪ (‪ )‬‬ ‫‪ )‬‬ ‫‪ (‪ )‬‬ ‫‪ )‬‬ ‫‪ (‪ )‬‬ ‫‪ )‬‬ ‫‪ (‪ )‬‬ ‫‪ )‬‬ ‫‪ (‪ )‬‬ ‫‪ )‬‬ ‫‪ )‬‬ ‫‪ (‬‪ )‬‬ ‫‪ )‬‬ ‫‪ )‬‬ ‫‪ (‬‪ )‬‬ ‫‪ )‬‪ )‬‬ ‫‪ )‬‪ )‬‬ ‫‪ (‪ )‬‬ ‫‪ )‬‪ )‬‬ ‫‪ )‬‪ )‬‬ ‫‪ (‪ )‬‪ )‬‬ ‫‪ )‬‬ ‫‪ (‪ )‬‪ )‬‬‪ )‬‬‪ )‬‬‬‬‬‪ (‬‪ )‬‪ )‬‬‬‪‬‬‬‬‬‬‬‬‪‬‬‬‬‬‬‪‬‬‬‬‬‬‬‬‪‬‬‬‬‬ ) جس میں کلاس کا نام اور ہر میدان کے لئے قیمت شامل ہے: ExtensionType __repr__ print(MaskedTensor(values=[1, 2, 3], mask=[True, True, False])) مساوات کے عملے زمرہ:مذہب الہٰذا الہٰذا الہٰذا الہٰذا اور ) جو دو اقدار برابر سمجھتے ہیں اگر وہ اسی قسم کے ہیں اور ان کے تمام فیلڈ برابر ہیں۔ ٹینسر فیلڈز برابر سمجھتے ہیں اگر وہ اسی شکل کے ہیں اور تمام عناصر کے لئے عنصر طور پر برابر ہیں۔ 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}") نوٹ: اگر کسی بھی میدان میں ایک ٹینسر شامل ہے تو __eq__ ایک سکالری بولک ٹینسر (پائٹون بولک قیمت کے بجائے) واپس کر سکتا ہے. نوٹ: اگر کسی بھی میدان میں ایک ٹینسر شامل ہے تو __eq__ ایک سکالری بولک ٹینسر (پائٹون بولک قیمت کے بجائے) واپس کر سکتا ہے. Validation کا طریقہ شامل کریں a اس طریقہ کار، جس کو میدانوں پر تصدیق کی جانچ پڑتالوں کو انجام دینے کے لئے پرچم دیا جا سکتا ہے. یہ تعمیر کرنے والے کو بلایا جاتا ہے، اور میدانوں کو ٹائپ کی جانچ پڑتال کی گئی ہے اور ان کے اعلان کردہ اقسام میں تبدیل کیا گیا ہے کے بعد چلتا ہے، لہذا یہ فرض کر سکتا ہے کہ تمام میدانوں کو ان کے اعلان کردہ اقسام ہیں. ExtensionType __validate__ مندرجہ ذیل مثالوں کی اپ ڈیٹ اس کا جائزہ لینے کے لئے s اور S اس کے میدان: 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 کے اثرات اُس کے اوپر اور تبدیلیوں کو روکنے کے طریقوں، اس بات کو یقینی بنانے کے لئے کہ توسیع کی قسم کے اقدار غیر متغير ہیں. 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}") TypeSpec کے بارے میں ہر ایک کلاس کا تعلق ہے کلاس، جس کو خود کار طریقے سے پیدا کیا جاتا ہے اور اس کے طور پر محفوظ کیا جاتا ہے . ExtensionType TypeSpec .Spec یہ کلاس ایک قدر سے تمام معلومات کو پکڑتا ہے کسی بھی ٹرانسمیشن کے لئے، خاص طور پر، اس کا مطلب یہ ہے کہ کسی بھی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات کی مصنوعات. . مگر 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. قیمتوں کو واضح طور پر تخلیق کیا جا سکتا ہے، یا وہ ایک استعمال کرنے کی قیمت : TypeSpec ExtensionType tf.type_spec_from_value spec1 = Player.Spec(name=tf.TensorSpec([], tf.float32), attributes={}) spec2 = tf.type_spec_from_value(anne) s کو TensorFlow کی طرف سے استعمال کیا جاتا ہے اور اعداد و شمار کو ایک اور A : TypeSpec static component dynamic component اسٹیٹک اجزاء (جو گراف تعمیر وقت پر مقرر کیا جاتا ہے) ایک tf.TypeSpec کے ساتھ کوڈ کیا جاتا ہے. متحرک اجزاء (جو ہر بار گراف چلانے کے بعد مختلف ہوسکتا ہے) tf.Tensors کی فہرست کے طور پر کوڈ کیا جاتا ہے. مثال کے طور پر اس کے علاوہ، اس کا مطلب یہ ہے کہ اس سے پہلے کسی بھی قسم کے مسائل کا سامنا کرنا پڑے گا. : 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})) مزید معلومات کے لئے، دیکھیں . tf.function کے ہدایات کاسٹنگ s وسیع پیمانے پر وسیع پیمانے پر فیلڈز اور ان کے اقسام کو صرف اعلان کرنے کے علاوہ، توسیع اقسام بھی ہوسکتے ہیں: ‫‪ ،‬دوسرے پرنٹ کرنے والی نمائندگی (__repr__)‬ طریقوں کا تعین کریں. کلاس کے طریقوں اور سٹیٹک طریقوں کا تعین کریں. خصوصیات کا تعین کریں ڈیموٹ کنورٹر (__init__) کو اوپر رکھیں. ‫‪__eq__‬اسٹافٹ مساوات کے عملے (‪__eq__‬اور‬ اعداد و شمار (مثال کے طور پر __add__ اور ). مندرجہ ذیل فائلوں کے لئے معیار کی وضاحت کریں. Subclasses کا تعین کریں پیشہ ورانہ پیشہ ورانہ پیشہ ورانہ پیشہ ورانہ پیشکش آپ ایکشن کے اقسام کے لئے اس معاوضہ string conversion operator کو override کرسکتے ہیں.The following example updates the کلاس ایک زیادہ پڑھنے کے لئے string نمائندگی پیدا کرنے کے لئے جب اقدار Eager موڈ میں پرنٹ کیا جاتا ہے. 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) طریقوں کی وضاحت Extension types can define methods, just like any normal Python class. مثال کے طور پر، کسی بھی معمولی Python کلاس کی طرح. A کی تعریف کر سکتے ہیں طریقہ جو ایک کاپی کی واپسی کرتا ہے مندرجہ ذیل معیار کے ساتھ تبدیل کیا جاتا ہے ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪‪‪‪.‬‬‬‬‬‬‬‪‪‪‪‬‬‬‬‬‬‬‬‪‪‪‬‬‬‬‬‬‬‬‬‬‬‪‪‪‬‬‬‬‬‬‬‬‬‬‪‪‬‬‬‬‬‬‬‬‬‬‬‬‪‬‬‬‬‬‬‬‬‬‬‬‪‬‬‬‬‬‬‬‬‬‪‬‬‬‬‬‬‬‪‬‬‬‬‬‬‪‬‬‬‬‬‬‬‪‬‬‬‬‬‬ ڈیزائنر 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) تعینات s اور s classmethod staticmethod Extension types can define methods using the اور ڈائریکٹرز: مثال کے طور پر، ایک قسم ایک فیکٹری طریقہ کی وضاحت کر سکتا ہے جو کسی بھی عنصر کو ایک مخصوص قدر کے ساتھ چھپاتا ہے: @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) ملکیت کا تعین توسیع کی اقسام کو استعمال کرتے ہوئے خصوصیات کو مقرر کر سکتے ہیں کے طور پر، کسی بھی معمولی Python کلاس کے طور پر. A کی تعریف کر سکتے ہیں ملکیت جو اس کے لئے ایک مختصر ہے قیمتوں کے بارے میں: @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 ڈپازٹ ڈیزائنر کو اپنائیں Custom constructors must set a value for each declared field; and after the custom constructor returns, all fields will be type-checked, and values will be converted as described above. اپنی مرضی کے ڈیزائنروں کو ہر بیان شدہ فیلڈ کے لئے ایک قدر مقرر کرنا پڑے گا، اور اپنی مرضی کے ڈیزائنر کی واپسی کے بعد، تمام فیلڈوں کو ٹیپ چیک کیا جائے گا، اور قیمتوں کو اوپر بیان کردہ طور پر تبدیل کیا جائے گا. 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! Alternatively, you might consider leaving the default constructor as-is, but adding one or more factory methods. مثال کے طور پر: 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)) زمرہ:مذہب الہٰذا الہٰذا الہٰذا الہٰذا الہٰذا الہٰذا الہٰذا الہٰذا الہٰذا ) __eq__ You can override the default پروڈکٹ کے لئے پروڈکٹ کی قسم۔ مندرجہ ذیل مثال اپ ڈیٹ مساوات کے لئے موازنہ کرنے کے لئے ماسک عناصر کو نظر انداز کرنے کے لئے. __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) نوٹ: آپ کو عام طور پر اوپر آرڈر کرنے کی ضرورت نہیں ہے، کیونکہ اس کی ڈائریکٹ اپلی کیشن صرف __eq__ کو بلاتا ہے اور نتائج کو منفی کرتا ہے. نوٹ: آپ کو عام طور پر اوپر آرڈر کرنے کی ضرورت نہیں ہے، کیونکہ اس کی ڈائریکٹ اپلی کیشن صرف __eq__ کو بلاتا ہے اور نتائج کو منفی کرتا ہے. forward references کا استعمال کریں اگر ایک فیلڈ کے لئے قسم کو ابھی تک مقرر نہیں کیا گیا ہے تو، آپ اس کے بجائے اس قسم کے نام پر مشتمل ایک سیٹ کا استعمال کرسکتے ہیں. نوٹ کرنے کے لئے استعمال کیا جاتا ہے زمین کی وجہ سے اس کے علاوہ، اس کا مطلب یہ نہیں ہے کہ وہ ابھی تک مکمل طور پر مقرر نہیں کیا گیا ہے. "Node" children Node class Node(tf.experimental.ExtensionType): value: tf.Tensor children: Tuple["Node", ...] = () Node(3, [Node(5), Node(2)]) زمرہ:Subclasses Extension types can be subclassed using the standard Python syntax. Extension type subclasses can add new fields, methods, and properties; and may override the constructor, the printable representation, and the equality operator. وہ کلاس جس میں تین مندرجہ ذیل فہرستوں کے درمیان ایک مجموعہ کو کوڈ کرنے کے لئے مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل مندرجہ ذیل ہر نائٹ کے لئے ایک "ایک خصوصیات کے اعداد و شمار" ریکارڈ کرنے کے لئے میدان.The subclass also defines a method to propagate the feature values along the edges. 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) خصوصی میدانوں کا تعین ایک توسیع کی قسم کے میدانوں کو ایک underscore کے ساتھ ان کی پیشکش کی طرف سے خصوصی طور پر نشانہ بنایا جا سکتا ہے (ایک معیاری پائٹون کنونشنز کی پیروی کرتے ہوئے). یہ اس طرح کا اثر نہیں رکھتا ہے کہ TensorFlow کسی بھی طرح کے میدانوں کا علاج کرتا ہے؛ لیکن صرف توسیع کی قسم کے کسی بھی صارفین کو یہ اشارہ کے طور پر خدمت کرتا ہے کہ ان میدانوں کو خصوصی ہیں. اپنی مرضی کے مطابق s کے ExtensionType TypeSpec ہر ایک کلاس کا تعلق ہے کلاس، جس کو خود کار طریقے سے پیدا کیا جاتا ہے اور اس کے طور پر محفوظ کیا جاتا ہے مزید معلومات کے لئے، مندرجہ بالا "Nested TypeSpec" سیکشن دیکھیں. ExtensionType TypeSpec .Spec استعمال کرنے کے لئے , صرف آپ کے اپنے نیٹ ورک کلاس کا تعین کریں اور خود کار طریقے سے تعمیر کی بنیاد کے طور پر استعمال کیا جائے گا. آپ کو استعمال کر سکتے ہیں کلاس کے لئے: TypeSpec Spec ExtensionType TypeSpec Spec پیشہ ورانہ پیشہ ورانہ پیشہ ورانہ پیشہ ورانہ پیشہ ورانہ ڈپازٹ ڈیزائن کا تعین کریں. طریقوں، کلاسوں کے طریقوں، سٹیٹک طریقوں، اور خصوصیات کی وضاحت. مندرجہ ذیل مثالوں کو استعمال کرتا ہے استعمال کرنے کے لئے آسان بنانے کے لئے کلاس: 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) نوٹ: اپنی مرضی کے Spec کلاس کسی بھی انسٹال متغیر کا استعمال نہیں کرسکتا ہے جو اصل ExtensionType میں اعلان نہیں کیا گیا تھا. عادات کلاس کسی بھی انسٹال متغیر کا استعمال نہیں کرسکتا ہے جو اصل میں اعلان نہیں کیا گیا تھا. . Note: Spec ExtensionType اصل میں TensorFlow ویب سائٹ پر شائع کیا گیا، یہ مضمون یہاں ایک نیا عنوان کے تحت ظاہر ہوتا ہے اور CC BY 4.0 کے تحت لائسنس کیا جاتا ہے. اصل میں TensorFlow ویب سائٹ پر شائع کیا گیا، یہ مضمون یہاں ایک نیا عنوان کے تحت ظاہر ہوتا ہے اور CC BY 4.0 کے تحت لائسنس کیا جاتا ہے. TensorFlow کے لئے TensorFlow کے لئے