[PYTHON] Collection de recettes comparant les versions 1 et 2 de TensorFlow (partie 1)

introduction

Tensorflow est un framework typique pour l'apprentissage en profondeur. Ce Tensor Flow sera la version 2.0 en octobre 2019, La façon dont la source est écrite a également changé.

Cependant, la majorité des articles sont toujours écrits en version 1.X, ** Comment écrivez-vous cela après 2.0? ** ** Je pense qu'il y a beaucoup de gens qui restent coincés.

J'étais l'un d'entre eux, j'ai donc écrit un article avec un mémorandum pour revenir à l'essentiel. Je l'arrange moi-même en me référant à diverses choses, donc Si vous avez des erreurs, laissez un commentaire.

De plus, l'échantillon à introduire n'est pas expliqué en détail. Il est très simple et se spécialise dans la différence entre ver1 et ver2.

environnement

• Python 3.6.8
• TensorFlow 1.15.0rc3
• TensorFlow 2.1.0 --Préparation de deux conteneurs avec Docker et vérification

Recette collection

Graphique de flux de données

une addition

Pour ver 1.15.0

in

import tensorflow as tf

a = tf.constant(1, name='a')
b = tf.constant(2, name='b')
c = a + b

with tf.Session() as sess:
    print(sess.run(c))
    print(c)
    print(type(c))

out

3
Tensor("add:0", shape=(), dtype=int32)
<class 'tensorflow.python.framework.ops.Tensor'>

Pour ver 2.1.0

in

import tensorflow as tf

a = tf.constant(1, name='a')
b = tf.constant(2, name='b')
c = a + b

tf.print(c)
print(c)
print(type(c))

out

3
tf.Tensor(3, shape=(), dtype=int32)
<class 'tensorflow.python.framework.ops.EagerTensor'>

【référence】 tf.print

Sortie de définition

Pour ver 1.15.0

in

import tensorflow as tf

a = tf.constant(1, name='a')
b = tf.constant(2, name='b')
c = a + b

with tf.Session() as sess:
    print(sess.run(c))
    print(c)

graph = tf.get_default_graph()
print(graph.as_graph_def())

out

node {
  name: "a"
  op: "Const"
  ...(Omission)...
node {
  name: "add"
  op: "AddV2"
  input: "a"
  input: "b"
  attr {
    key: "T"
    value {
      type: DT_INT32
    }
  }
}
versions {
  producer: 134
}

Pour ver 2.1.0

in

import tensorflow as tf

graph = tf.Graph()
with graph.as_default():
    a = tf.constant(1, name='a')
    b = tf.constant(2, name='b')
    c = a + b
    print(graph.as_graph_def())

out

# ver 1.15.Omis car il est identique à 0

Attribuer des constantes aux variables

Pour ver 1.15.0

in

import tensorflow as tf

a = tf.Variable(10, name='a')
b = tf.constant(2, name='b')
c = tf.assign(a, a + b)

with tf.Session() as sess:
    # global_variables_initializer() :Initialiser toutes les variables
    sess.run(tf.global_variables_initializer())
    print(sess.run(c))
    print(sess.run(c))

out

12
14

Pour ver 2.1.0

in

import tensorflow as tf

a = tf.Variable(10, name='a')
b = tf.constant(2, name='b')
tf.print(a.assign_add(b))
tf.print(a.assign_add(b))

out

12
14

L'espace réservé disparu

Pour ver 1.15.0

in

import tensorflow as tf

a = tf.placeholder(dtype=tf.int32, name='a')
b = tf.constant(2, name='b')
c = a + b

with tf.Session() as sess:
    print(sess.run(c, feed_dict={a: 10}))
    print(a, b, c)

out

12
Tensor("a:0", dtype=int32) Tensor("b:0", shape=(), dtype=int32) Tensor("add:0", dtype=int32)

Pour ver 2.1.0

in

import tensorflow as tf

a = tf.Variable(10, name='a')
b = tf.constant(2, name='b')

# @tf.AutoGraph avec fonction
@tf.function
def add(x, y):
    return x + y

c = add(a,b)
tf.print(c)
print(type(c))
print(a, b, c)

out

12
<class 'tensorflow.python.framework.ops.EagerTensor'>
<tf.Variable 'a:0' shape=() dtype=int32, numpy=10> tf.Tensor(2, shape=(), dtype=int32) tf.Tensor(12, shape=(), dtype=int32)

【référence】 Migrate your TensorFlow 1 code to TensorFlow 2

Quatre règles

Pour ver 1.15.0

in

import tensorflow as tf

a = tf.constant(5, name='a')
b = tf.constant(2, name='b')
add = tf.add(a, b) #Ajouter
subtract = tf.subtract(a, b) #Soustraire
multiply = tf.multiply(a, b) #Multiplier
truediv = tf.truediv(a, b) #division

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(add))
    print(sess.run(subtract))
    print(sess.run(multiply))
    print(sess.run(truediv))
    print(type(add))

out

7
3
10
2.5
<class 'tensorflow.python.framework.ops.Tensor'>

Pour ver 2.1.0

in

import tensorflow as tf

a = tf.constant(5, name='a')
b = tf.constant(2, name='b')
add = tf.math.add(a, b) #Ajouter
dif = tf.math.subtract(a,b) #Soustraire
multiply = tf.math.multiply(a, b) #Multiplier
truediv = tf.math.truediv(a, b) #division

tf.print(add)
tf.print(dif)
tf.print(multiply)
tf.print(truediv)
print(type(add))

out

7
3
10
2.5
<class 'tensorflow.python.framework.ops.EagerTensor'>

【référence】 tf.math

Fonctionnement de la matrice

Pour ver 1.15.0

in

import tensorflow as tf

a = tf.constant([[1, 2], [3, 4]], name='a')
b = tf.constant([[1], [2]], name='b')
c = tf.matmul(a, b) #Matrice a,Multiplier b

with tf.Session() as sess:
    print(a.shape)
    print(b.shape)
    print(c.shape)
    print('a', sess.run(a))
    print('b', sess.run(b))
    print('c', sess.run(c))

out

(2, 2)
(2, 1)
(2, 1)
a [[1 2]
 [3 4]]
b [[1]
 [2]]
c [[ 5]
 [11]]

Pour ver 2.1.0

in

import tensorflow as tf

a = tf.constant([[1, 2], [3, 4]], name='a')
b = tf.constant([[1], [2]], name='b')
c = tf.linalg.matmul(a, b) #Matrice a,Multiplier b

print(a.shape)
print(b.shape)
print(c.shape)
tf.print('a', a)
tf.print('b', b)
tf.print('c', c)

out

# ver 1.15.Omis car il est identique à 0

en conclusion

Cette fois, j'ai résumé les bases dans les bases. La prochaine fois, j'aimerais décrire la méthode du gradient.