【譯】Effective TensorFlow Chapter9——使用Python ops進行內核設計和高級可視化

本文翻譯自： 《Prototyping kernels and advanced visualization with Python ops》， 若有侵權請聯繫刪除，僅限於學術交流，請勿商用。若有謬誤，請聯繫指出。

TensorFlow中的內核操做徹底用C ++編寫，以提升效率。可是用C++編寫TensorFlow內核的話可能會很是痛苦。所以，在花費數小時實現屬於本身的內核以前，你也許須要先實現一個操做的原型，儘管這樣的效率會很低。經過tf.py_func()你能夠將任何一個python源代碼轉換爲TensorFlow的操做。

舉個例子而言，這裏有一個用python本身實現的ReLU非線性激活函數，經過tf.py_func()轉換爲TensorFlow操做的例子：

import numpy as np
import tensorflow as tf
import uuid

def relu(inputs):
    # Define the op in python
    def _relu(x):
        return np.maximum(x, 0.)

    # Define the op's gradient in python
    def _relu_grad(x):
        return np.float32(x > 0)

    # An adapter that defines a gradient op compatible with TensorFlow
    def _relu_grad_op(op, grad):
        x = op.inputs[0]
        x_grad = grad * tf.py_func(_relu_grad, [x], tf.float32)
        return x_grad

    # Register the gradient with a unique id
    grad_name = "MyReluGrad_" + str(uuid.uuid4())
    tf.RegisterGradient(grad_name)(_relu_grad_op)

    # Override the gradient of the custom op
    g = tf.get_default_graph()
    with g.gradient_override_map({"PyFunc": grad_name}):
        output = tf.py_func(_relu, [inputs], tf.float32)
    return output
複製代碼

經過TensorFlow的gradient checker，你能夠確認這些梯度是否計算正確：

x = tf.random_normal([10])
y = relu(x * x)

with tf.Session():
    diff = tf.test.compute_gradient_error(x, [10], y, [10])
    print(diff)
複製代碼

compute_gradient_error()數值化地計算梯度，返回與理論上的梯度的差異，咱們所指望的是一個很是小的差異。 注意到咱們的這種實現是很是低效率的，這僅僅在實現模型原型的時候起做用，由於python代碼並不能並行化並且不能在GPU上運算（致使速度很慢）。一旦你肯定了你的idea，你就須要用C++重寫其內核。 在實踐中，咱們通常在Tensorboard中用python操做進行可視化。若是你是在構建一個圖片分類模型，並且想要在訓練過程當中可視化你的模型預測，那麼TF容許你經過tf.summary.image()函數進行圖片的可視化。

image = tf.placeholder(tf.float32)
tf.summary.image("image", image)
複製代碼

可是這僅僅是可視化了輸入的圖片，爲了可視化其預測結果，你還必須找一個方法在圖片上添加預測標識，固然這在現有的tensorflow操做中是不存在的。一個更簡單的方法就是經過python將預測標誌繪製到圖片上，而後再封裝它。

import io
import matplotlib.pyplot as plt
import numpy as np
import PIL
import tensorflow as tf

def visualize_labeled_images(images, labels, max_outputs=3, name="image"):
    def _visualize_image(image, label):
        # Do the actual drawing in python
        fig = plt.figure(figsize=(3, 3), dpi=80)
        ax = fig.add_subplot(111)
        ax.imshow(image[::-1,...])
        ax.text(0, 0, str(label),
          horizontalalignment="left",
          verticalalignment="top")
        fig.canvas.draw()

        # Write the plot as a memory file.
        buf = io.BytesIO()
        data = fig.savefig(buf, format="png")
        buf.seek(0)

        # Read the image and convert to numpy array
        img = PIL.Image.open(buf)
        return np.array(img.getdata()).reshape(img.size[0], img.size[1], -1)

    def _visualize_images(images, labels):
        # Only display the given number of examples in the batch
        outputs = []
        for i in range(max_outputs):
            output = _visualize_image(images[i], labels[i])
            outputs.append(output)
        return np.array(outputs, dtype=np.uint8)

    # Run the python op.
    figs = tf.py_func(_visualize_images, [images, labels], tf.uint8)
    return tf.summary.image(name, figs)
複製代碼

請注意，由於summary一般只評估一次（並非每步都執行），所以能夠在實踐中可使用而沒必要擔憂效率。