TensorFlow

控制流

tf.cond

a=tf.constant(2) b=tf.constant(3) x=tf.constant(4) y=tf.constant(5) z = tf.multiply(a, b) result = tf.cond(x < y, lambda: tf.add(x, z), lambda: tf.square(y)) with tf.Session() as session:print(result.eval())

tf.case

decode_png = lambda :tf.image.decode_png(image_tensor, channels) decode_jpg = lambda :tf.image.decode_jpeg(image_tensor, channels) decoder = { tf.equal(image_ext, '.png'): decode_png,tf.equal(image_ext, '.jpg'): decode_jpg} image_tensor = tf.case(decoder, default = decode_png, exclusive = True)

TFLite

Tensorflow源代碼中自帶的toco工具，可用于生成一個可供TensorFlow Lite框架使用的tflite文件。

代碼：

https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/lite/toco

參考：

https://www.jianshu.com/p/fa204a54a956

生成TFLite模型文件

https://mp.weixin.qq.com/s/eSczqqyzh4PZomJL4saxug

出門問問：使用TensorFlow Lite在嵌入式端部署熱詞檢測模型

https://mp.weixin.qq.com/s/U_Pew90j9swIqti3oKEIQg

玩轉TensorFlow Lite：有道云筆記實操案例分享

https://mp.weixin.qq.com/s/lNP9WdzSWE4FjB_-Sjc2aA

TensorFlow Lite for Android初探

Broadcast

Broadcast是一種填充元素以使操作數的形狀相匹配的操作。例如，對一個[3,2]的張量和一個[3,1]的張量相加在TF中是合法的，TF會使用默認的規則將[3,1]的張量填充為[3,2]的張量，從而使操作能夠執行下去。

參考：

https://www.cnblogs.com/yangmang/p/7125458.html

numpy數組廣播

https://blog.csdn.net/LoseInVain/article/details/78763303

TensorFlow中的廣播Broadcast機制

TensorFlow Serving

TensorFlow Serving是一個用于機器學習模型serving的高性能開源庫。它可以將訓練好的機器學習模型部署到線上，使用gRPC作為接口接受外部調用。更加讓人眼前一亮的是，它支持模型熱更新與自動模型版本管理。

代碼：

https://github.com/tensorflow/serving

TensorFlow Serving實際上是TensorFlow Extended (TFX)的一部分：

https://tensorflow.google.cn/tfx

TFX還包括了Data Validation、Transform和Model Analysis等方面的功能。

參考：

https://zhuanlan.zhihu.com/p/23361413

TensorFlow Serving嘗嘗鮮

http://www.cnblogs.com/xuchenCN/p/5888638.html

tensorflow serving

https://mp.weixin.qq.com/s/iqvpX6QuBEmF_UK9RMu9eQ

TensorFlow Serving入門

https://mp.weixin.qq.com/s/TL87BY3DdP1bolc0Sxkahg

gRPC客戶端創建和調用原理解析

https://zhuanlan.zhihu.com/p/30628048

遠程通信協議：從CORBA到gRPC

https://mp.weixin.qq.com/s/b569est_LpcxsoTNWXcfog

TensorFlow Extended幫你快速落地項目

https://mp.weixin.qq.com/s/qOy9fR8Zd3SufvsMmLpoGg

使用TensorFlow Serving優化TensorFlow模型

https://mp.weixin.qq.com/s/IPwOZKvDsONegyIuwkG6bQ

將深度學習模型部署為web應用有多難？答案自己找

https://mp.weixin.qq.com/s/7nugWFKtD-C6cpwm2TyvdQ

手把手教你如何部署深度學習模型

op的C++實現

有的時候為了將Tensorflow的op移植到其他平臺，需要找到相應op的cpu實現。比如space_to_batch這個op，它的實現在：

core/kernels/spacetobatch_op.cc

簡單的op一般找到這里就可以了，但space_to_batch還要更深一層：

core/kernels/spacetobatch_functor.cc

一般XXX_impl.cc或者XXX_functor.cc才是op實現真正所在的位置。

此外，TFlite的實現往往更加簡單：

tensorflow/contrib/lite/kernels/internal/reference/reference_ops.h

TensorFlow.js

https://mp.weixin.qq.com/s/dqMS4NjmNYs7IFHm8uFM8w

TensorFlow發布面向JavaScript開發者的機器學習框架TensorFlow.js

https://zhuanlan.zhihu.com/p/35181413

TensorFlow.js人臉識別—玩轉吃豆豆小游戲

https://mp.weixin.qq.com/s/ebLHZAG8H78TsZUKSzAtIw

TF官方博客：基于TensorFlow.js框架的瀏覽器實時姿態估計

https://mp.weixin.qq.com/s/z6p4A4DfCuK8IBGVGwrtLQ

如何利用TensorFlow.js部署簡單的AI版“你畫我猜”圖像識別應用

https://mp.weixin.qq.com/s/NO_XY-JmTpIkoC-fpkZ-qg

在瀏覽器上也能訓練神經網絡？TensorFlow.js帶你玩游戲~

Eager Execution

TensorFlow的Eager Execution可立即評估操作，無需構建圖：操作會返回具體的值，而不是構建以后再運行的計算圖。這也就是所謂的動態圖計算的概念。

參考：

https://mp.weixin.qq.com/s/Yp2zE85VCx8q67YXvuw5qw

TensorFlow引入了動態圖機制Eager Execution

https://github.com/ZhuanZhiCode/TensorFlow-Eager-Execution-Examples

Eager Execution的代碼示例

https://mp.weixin.qq.com/s/By_GKPtY6xr8MwkWA6frzA

TensorFlow的動態圖工具Eager怎么用？這是一篇極簡教程

https://mp.weixin.qq.com/s/Lvd4NfLg0Lzivb4BingV7w

Tensorflow Eager Execution入門指南

https://mp.weixin.qq.com/s/q6bJfCV5kU8BzvWjOXkCDg

簡單粗暴TensorFlow Eager教程

https://mp.weixin.qq.com/s/zz8XCykJ6jxbE5J4YwAkEA

一招教你使用tf.keras和eager execution解決復雜問題

Estimator

Estimator是一個非常高級的API，其抽象等級甚至在Keras之上。

Estimator主要包括以下部分：

1.初始化。定義網絡結構。

2.train。

3.evaluate。

4.predict。

TensorFlow已經包含了一些預置的Estimator。例如：BoostedTreesClassifier、DNNClassifier、LinearClassifier等。具體可參見：

https://tensorflow.google.cn/api_docs/python/tf/estimator

參考：

https://mp.weixin.qq.com/s/a68brFJthczgwiFoUBh30A

TensorFlow數據集和估算器介紹

細節

執行session.run(out)，會在終端打印out的值，但執行res = session.run(out)則不會。

---

tensorflow的程序中,在main函數下,都是使用tf.app.run()來啟動。查看源碼可知,該函數是用來處理flag解析，然后執行main函數。

https://blog.csdn.net/lujiandong1/article/details/53262612

tensorflow中的tf.app.run()

---

TF提供了一套專門的IO函數：tf.gfile。主要優點在于：對于寫文件來說，open操作直到真的需要寫的時候才執行。

---

遷移學習的時候，有的時候需要保持某幾層的權值，在后續訓練中不被改變。這時，可以在創建Variable時，令trainable=false。

---

sparse_softmax_cross_entropy_with_logits和softmax_cross_entropy_with_logits的區別在于：后者的label是一個one hot的tensor，而前者label直接用對應分類的index表示就行了。

blog

http://www.jianshu.com/u/eaec1fc422e9

一個TF的blog

http://blog.csdn.net/u012436149

一個TensorFlow+PyTorch的blog

我的TensorFlow實踐

MNIST+Softmax

代碼：

https://github.com/antkillerfarm/antkillerfarm_crazy/tree/master/python/ml/tensorflow/hello_mnist.py

MNIST+CNN

代碼：

https://github.com/antkillerfarm/antkillerfarm_crazy/tree/master/python/ml/tensorflow/hello_cnn.py

第一個例子中，我對CPU的計算能力還沒有切膚之痛，但在這里使用CPU差不多要花半個小時時間。。。

總結

以上是生活随笔為你收集整理的TensorFlow（二）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。