Panduan gaya kode TensorFlow

Gaya ular piton

Ikuti panduan gaya Python PEP 8 , kecuali TensorFlow menggunakan 2 spasi, bukan 4. Harap patuhi Panduan Gaya Python Google , dan gunakan pylint untuk memeriksa perubahan Python Anda.

tiang

Untuk menginstal pylint :

$ pip install pylint

Untuk memeriksa file dengan pylint dari direktori root kode sumber TensorFlow:

$ pylint --rcfile=tensorflow/tools/ci_build/pylintrc tensorflow/python/keras/losses.py

Versi Python yang didukung

Untuk versi Python yang didukung, lihat panduan instalasi TensorFlow.

Lihat status build berkelanjutan TensorFlow untuk build resmi dan yang didukung komunitas.

Gaya pengkodean C++

Perubahan pada kode TensorFlow C++ harus sesuai dengan Panduan Gaya Google C++ dan detail gaya khusus TensorFlow . Gunakan clang-format untuk memeriksa perubahan C/C++ Anda.

Untuk menginstal di Ubuntu 16+, lakukan:

$ apt-get install -y clang-format

Anda dapat memeriksa format file C/C++ dengan yang berikut:

$ clang-format <my_cc_file> --style=google > /tmp/my_cc_file.cc
$ diff <my_cc_file> /tmp/my_cc_file.cc

Bahasa lainnya

Konvensi TensorFlow dan penggunaan khusus

Operasi python

Operasi TensorFlow adalah fungsi yang, dengan tensor masukan tertentu, akan mengembalikan tensor keluaran (atau menambahkan operasi ke grafik saat membuat grafik).

  • Argumen pertama harus berupa tensor, diikuti dengan parameter dasar Python. Argumen terakhir adalah name dengan nilai default None .
  • Argumen tensor harus berupa tensor tunggal atau tensor yang dapat diubah. Artinya, "Tensor atau daftar Tensor" terlalu luas. assert_proper_iterable .
  • Operasi yang menggunakan tensor sebagai argumen harus memanggil convert_to_tensor untuk mengubah input non-tensor menjadi tensor jika menggunakan operasi C++. Perhatikan bahwa argumen masih dideskripsikan sebagai objek Tensor dengan tipe d tertentu dalam dokumentasi.
  • Setiap operasi Python harus memiliki name_scope . Seperti yang terlihat di bawah, berikan nama operasi sebagai string.
  • Operasi harus berisi komentar Python ekstensif dengan deklarasi Args dan Returns yang menjelaskan jenis dan arti setiap nilai. Kemungkinan bentuk, tipe, atau peringkat harus ditentukan dalam deskripsi. Lihat detail dokumentasi.
  • Untuk meningkatkan kegunaan, sertakan contoh penggunaan dengan input/output operasi di bagian Contoh.
  • Hindari penggunaan tf.Tensor.eval atau tf.Session.run secara eksplisit. Misalnya, untuk menulis logika yang bergantung pada nilai Tensor, gunakan aliran kontrol TensorFlow. Alternatifnya, batasi operasi agar hanya berjalan ketika eksekusi bersemangat diaktifkan ( tf.executing_eagerly() ).

Contoh:

def my_op(tensor_in, other_tensor_in, my_param, other_param=0.5,
          output_collections=(), name=None):
  """My operation that adds two tensors with given coefficients.

  Args:
    tensor_in: `Tensor`, input tensor.
    other_tensor_in: `Tensor`, same shape as `tensor_in`, other input tensor.
    my_param: `float`, coefficient for `tensor_in`.
    other_param: `float`, coefficient for `other_tensor_in`.
    output_collections: `tuple` of `string`s, name of the collection to
                        collect result of this op.
    name: `string`, name of the operation.

  Returns:
    `Tensor` of same shape as `tensor_in`, sum of input values with coefficients.

  Example:
    >>> my_op([1., 2.], [3., 4.], my_param=0.5, other_param=0.6,
              output_collections=['MY_OPS'], name='add_t1t2')
    [2.3, 3.4]
  """
  with tf.name_scope(name or "my_op"):
    tensor_in = tf.convert_to_tensor(tensor_in)
    other_tensor_in = tf.convert_to_tensor(other_tensor_in)
    result = my_param * tensor_in + other_param * other_tensor_in
    tf.add_to_collection(output_collections, result)
    return result

Penggunaan:

output = my_op(t1, t2, my_param=0.5, other_param=0.6,
               output_collections=['MY_OPS'], name='add_t1t2')