Google開發者大會：你不得不知的Tensorflow小技巧

Google Development Days China 2018近日在中國召開了。很是遺憾，小編由於不可抗性因素滯留在合肥，沒辦法去參加。可是小編的朋友有幸參加了會議，帶來了關於tensorlfow的一手資料。這裏跟隨小編來關注tensorflow在生產環境下的最佳應用狀況。

Google Brain軟件工程師馮亦菲爲咱們帶來了題爲「用Tensorflow高層API來進行模型原型設計、訓練和生產投入」的精彩報告。

馮亦菲姐姐給咱們講了一些tensorflwo的新的API的變更，最重要的是提出了一些使用tensorflow的建議。

總結出來有六個方面，分別是：

• 用Eager模式搭建原型

• 用Datasets處理數據

• 用Feature Columns提取特徵

• 用Keras搭建模型

• 借用Canned Estimators

• 用SavedModel打包模型

下面咱們依次來了解下這六個方面。

用Eager模式搭建原型

做爲計算機界的一份子，咱們知道靜態圖的效率天然是快快的，可是動態圖的使用爲咱們的使用帶來的不少方便。17年的時候，各大框架動態圖大行其道，因而Google提出了tf.contrib.eager應對挑戰。

使用Eager有什麼好處呢？回想以前咱們在調試tensorflow的程序時，不得不使用sess.run()，麻煩的要死，而使用Eager就能夠直接的將變量打印出來，大大方便了咱們的調試；好處不止這麼多，在進行模型搭建的時候，之前咱們須要仔細考慮下Tensor的shape，一旦出錯要定位也很不容易。而使用Eager能夠一邊搭建網絡結構，一邊將shape打印出來確認下是否正確。這就使咱們在搭建網絡時更加方面快捷了；此外，使用Eager後，自定義Operation和Gradient也會方便不少。

下面舉個簡單的小例子。首先使用pip install tf-nightly（或GPU版本pip install tf-nightly-gpu）來安裝Eager。

import tensorflow as tfimport tensorflow.contrib.eager as tfetfe.enable_eager_execution() #開啓Eager模式a = tf.constant([5], dtype=tf.int32)for i in range(a):   print (i)
複製代碼

使用Eager後咱們能夠很順利的執行上述代碼。可是若是沒有Eager，就會報Tensor對象不能解釋爲integer的錯誤。從缺點上來說，Eager的引入也勢必形成額外的成本。

用Datasets處理數據

tensorflow的數據讀入有三種方式：經過feeding的方式；經過管道（pipeline）的方式；直接讀取變量或常量中保存的數據。Datasets屬於上面提出的第二種方式，能夠簡化數據輸入過程，並且可以提升數據的讀入效率。

Datasets的組成如上如所示。其中：

• Dataset：建立和轉換數據集的基本；

• TextLineDataset：從文本文件中讀取行；

• TFRecordDataset：讀取TFRecord文件；

• FixedLengthRecordDataset：從二進制文件讀取固定大小的記錄；

• Iterator：提供一種一次訪問一個數據集元素的方法。

對於Datasets的使用，咱們可使用Dataset的子類提供的方法，也能夠直接使用基類的方法：tf.data.Dataset.from_tensors()或者tf.data.Dataset.from_tensor_slices()。

用Feature Columns提取特徵

Feature Columns其實是一個數據結構，一個用於描述特徵的數據結構。利用Feature Columns能夠很方便的對輸入訓練模型前的特徵進行處理。好比鳶尾花的識別，對於輸入數據，每列表示不一樣的特徵，如花瓣的長度，花萼的長度等等，咱們想要對不一樣的列分別進行處理（或者對全部的列進行處理），使用Feature Columns就能夠輕鬆的實現。

如上圖所示，Feature Columns造成了對輸入數據集的結構性描述。能夠方便咱們對每列數據進行處理，並且使得代碼的可讀性更強。

用Keras搭建模型

想必你們對Keras已經比較瞭解了，使用Keras來構建一個神經網絡，簡直是飛通常地速度，並且完美的兼容tensorflow。

simple_model=Sequential()simple_model.add(Dense(3,input_shape=(x.shape[1],),activation='relu',name='layer1'))simple_model.add(Dense(5,activation='relu',name='layer2'))simple_model.add(Dense(1,activation='sigmoid',name='layer3'))
複製代碼

構建一個模型就是如上面這麼簡單，並且調用API中定義好的模型更是隻須要一句話，極其的方便。

借用Canned Estimators

Estimators API提供了模型選擇、評估、訓練等一些列功能。在1.3版本後，Google又增長了一層，稱之爲Canned Estimators。只須要一行代碼就可以建立深度模型。Estimators能夠結合上面提到的Feature Columns一塊兒使用。

tf.estimator.Estimator是基類；Pre-made Estimators是基類的子類，是已經定義好的模型，咱們能夠直接拿來使用；Custom Estimators是基類的實列，並非定義好的，須要咱們本身實現模型的定義。

對於這裏的模型，由三部分組成：

• Input function：輸入函數，即咱們前面所說的Datasets，對於數據進行表示；

• Model function: 實驗模型的訓練、驗證、測試以及監控模型的參數；

• Estimators: 控制數據流以及模型的各類運算。

用SavedModel打包模型

相比於tensorflow原版的tf.train.Saver保存模型的方式，SavedModel提供了更好的將模型部署到生成環境的手段，更適用於商業目的。

如上圖右下方部分，在使用SavedModel打包模型時，能夠產生兩種模型：

對應於第一種模型，Tensorflow Model Analysis能夠方便咱們對模型進行分析，是否是存在參數的問題，抑或是模型哪裏設計的不合適等等；經過分析後，感受模型不錯，咱們就能夠經過Tensorflow Serving進行部署。

此外，相比於Saver的方式，咱們在inference時不須要再從新定義Graph（模型），若是使用Saver的話，在使用該模型時就須要再定義該模型，若是是一個程序猿設計並使用的還好，若是換成另外一個猿去用這個模型，他又不知道模型的tensor的狀況，那就尷尬了。因此使用SavedModel可讓咱們更輕鬆地去使用模型。

總結

Google Developer Days給咱們提供了一場盛宴，但願和你們一塊兒學習其中的知識。若是能夠，請爲這篇文章點個贊吧。聽說點讚的都能進Google。

閱讀更多

react-native技術的優劣

 一招教你讀懂JVM和Dalvik之間的區別

NDK項目實戰—高仿360手機助手之卸載監聽

（Android）面試題級答案（精選版）

非科班出身程序員：如何獲取職業資源、進入好公司？

相信本身，沒有作不到的，只有想不到的

在這裏得到的不只僅是技術！