דף זה תורגם על ידי Cloud Translation API.
Switch to English

ביצועים טובים יותר עם פונקצית tf

צפה ב- TensorFlow.org הפעל בגוגל קולאב צפה במקור ב- GitHub הורד מחברת

ב- TensorFlow 2, ביצוע להוט מופעל כברירת מחדל. ממשק המשתמש הוא אינטואיטיבי וגמיש (הפעלת פעולות חד פעמיות קלה ומהירה בהרבה), אך הדבר יכול לבוא על חשבון הביצועים והפריסה.

אתה יכול להשתמש ב- tf.function כדי ליצור גרפים מהתוכניות שלך. זהו כלי טרנספורמציה שיוצר גרפי זרימת נתונים שאינם תלויים בפייתון מתוך קוד הפייתון שלך. זה יעזור לך ליצור מודלים ביצועים וניידים, וזה נדרש להשתמש ב- SavedModel .

מדריך זה יעזור לך tf.function כיצד tf.function עובדת מתחת למכסה המנוע, כך שתוכל להשתמש בה בצורה יעילה.

ההמלצות העיקריות וההמלצות הן:

  • ניפוי שגיאות במצב להוט, ואז קישוט עם @tf.function .
  • אל תסמוך על תופעות לוואי של פייתון כמו מוטציה של אובייקטים או רשימות.
  • tf.function עובד הכי טוב עם TensorFlow ops; שיחות NumPy ו- ​​Python מומרות לקבועים.

להכין

import tensorflow as tf

הגדר פונקציית עוזר כדי להדגים את סוגי השגיאות שאתה עלול להיתקל בהן:

import traceback
import contextlib

# Some helper code to demonstrate the kinds of errors you might encounter.
@contextlib.contextmanager
def assert_raises(error_class):
  try:
    yield
  except error_class as e:
    print('Caught expected exception \n  {}:'.format(error_class))
    traceback.print_exc(limit=2)
  except Exception as e:
    raise e
  else:
    raise Exception('Expected {} to be raised but no error was raised!'.format(
        error_class))

יסודות

נוֹהָג

Function שאתה מגדיר היא בדיוק כמו פעולת ליבה של TensorFlow: אתה יכול לבצע אותה בשקיקה; אתה יכול לחשב שיפועים; וכן הלאה.

@tf.function
def add(a, b):
  return a + b

add(tf.ones([2, 2]), tf.ones([2, 2]))  #  [[2., 2.], [2., 2.]]

<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[2., 2.],
       [2., 2.]], dtype=float32)>

v = tf.Variable(1.0)
with tf.GradientTape() as tape:
  result = add(v, 1.0)
tape.gradient(result, v)

<tf.Tensor: shape=(), dtype=float32, numpy=1.0>

אתה יכול להשתמש Function בתוך Function אחרות.

@tf.function
def dense_layer(x, w, b):
  return add(tf.matmul(x, w), b)

dense_layer(tf.ones([3, 2]), tf.ones([2, 2]), tf.ones([2]))

<tf.Tensor: shape=(3, 2), dtype=float32, numpy=
array([[3., 3.],
       [3., 3.],
       [3., 3.]], dtype=float32)>

Function s יכולות להיות מהירות יותר מקוד להוט, במיוחד עבור גרפים עם אופים קטנים רבים. אך עבור גרפים עם כמה אופציות יקרות (כמו התפתלות), ייתכן שלא תראו מהירות רבה.

import timeit
conv_layer = tf.keras.layers.Conv2D(100, 3)

@tf.function
def conv_fn(image):
  return conv_layer(image)

image = tf.zeros([1, 200, 200, 100])
# warm up
conv_layer(image); conv_fn(image)
print("Eager conv:", timeit.timeit(lambda: conv_layer(image), number=10))
print("Function conv:", timeit.timeit(lambda: conv_fn(image), number=10))
print("Note how there's not much difference in performance for convolutions")

Eager conv: 0.003903477999756433
Function conv: 0.004678294000314054
Note how there's not much difference in performance for convolutions

מַעֲקָב

הקלדה דינמית של פייתון פירושה שתוכל להתקשר לפונקציות עם מגוון סוגי ארגומנטים, ופייתון יכול לעשות משהו אחר בכל תרחיש.

עם זאת, כדי ליצור גרף TensorFlow, dtypes סטטיים dtypes צורה. tf.function מגשרת על פער זה על ידי גלישת פונקציית פייתון ליצירת אובייקט Function . בהתבסס על הקלטים הנתונים, Function בוחרת את הגרף המתאים עבור הקלטים הנתונים, ומשחזרת את פונקציית הפייתון לפי הצורך. ברגע שאתה מבין מדוע ומתי מתרחש מעקב, הרבה יותר קל להשתמש ב- tf.function בצורה יעילה!

אתה יכול להתקשר Function עם טיעונים מסוגים שונים כדי לראות את ההתנהגות הפולימורפית הזו בפעולה.

@tf.function
def double(a):
  print("Tracing with", a)
  return a + a

print(double(tf.constant(1)))
print()
print(double(tf.constant(1.1)))
print()
print(double(tf.constant("a")))
print()

Tracing with Tensor("a:0", shape=(), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)

Tracing with Tensor("a:0", shape=(), dtype=float32)
tf.Tensor(2.2, shape=(), dtype=float32)

Tracing with Tensor("a:0", shape=(), dtype=string)
tf.Tensor(b'aa', shape=(), dtype=string)

שים לב שאם אתה מתקשר שוב ושוב Function עם אותו סוג ארגומנט, TensorFlow ישתמש מחדש בגרף שעבר מעקב, מכיוון שהגרף שנוצר יהיה זהה.

# This doesn't print 'Tracing with ...'
print(double(tf.constant("b")))

tf.Tensor(b'bb', shape=(), dtype=string)

אתה יכול להשתמש pretty_printed_concrete_signatures() כדי לראות את כל העקבות הזמינות:

print(double.pretty_printed_concrete_signatures())

double(a)
  Args:
    a: string Tensor, shape=()
  Returns:
    string Tensor, shape=()

double(a)
  Args:
    a: int32 Tensor, shape=()
  Returns:
    int32 Tensor, shape=()

double(a)
  Args:
    a: float32 Tensor, shape=()
  Returns:
    float32 Tensor, shape=()

עד כה ראית ש- tf.function יוצר שכבת משלוח דינמית במטמון מעל לוגיקת האיתור הגרפי של TensorFlow. ליתר דיוק לגבי המינוח:

  • tf.Graph הוא tf.Graph גלם, אגנוסטי לשפה, ונייד של החישוב שלך.
  • ConcreteFunction הוא עטיפה tf.Graph בשקיקה סביב tf.Graph .
  • Function מנהלת מטמון של ConcreteFunction s ובוחרת את המתאים עבור הקלטים שלך.
  • tf.function עוטף פונקציית פייתון, ומחזיר אובייקט Function .

השגת פונקציות קונקרטיות

בכל פעם שמעקב אחר פונקציה נוצר פונקציה קונקרטית חדשה. באפשרותך להשיג ישירות פונקציית בטון באמצעות get_concrete_function .

print("Obtaining concrete trace")
double_strings = double.get_concrete_function(tf.constant("a"))
print("Executing traced function")
print(double_strings(tf.constant("a")))
print(double_strings(a=tf.constant("b")))

Obtaining concrete trace
Executing traced function
tf.Tensor(b'aa', shape=(), dtype=string)
tf.Tensor(b'bb', shape=(), dtype=string)


# You can also call get_concrete_function on an InputSpec
double_strings_from_inputspec = double.get_concrete_function(tf.TensorSpec(shape=[], dtype=tf.string))
print(double_strings_from_inputspec(tf.constant("c")))

Tracing with Tensor("a:0", shape=(), dtype=string)
tf.Tensor(b'cc', shape=(), dtype=string)

הדפסת ConcreteFunction מציגה סיכום של ארגומנטים הקלט שלו (עם סוגים) וסוג הפלט שלו.

print(double_strings)

ConcreteFunction double(a)
  Args:
    a: string Tensor, shape=()
  Returns:
    string Tensor, shape=()

ניתן גם לאחזר ישירות את חתימת הפונקציה הקונקרטית.

print(double_strings.structured_input_signature)
print(double_strings.structured_outputs)

((TensorSpec(shape=(), dtype=tf.string, name='a'),), {})
Tensor("Identity:0", shape=(), dtype=string)

שימוש במעקב בטון עם סוגים שאינם תואמים יזרוק שגיאה

with assert_raises(tf.errors.InvalidArgumentError):
  double_strings(tf.constant(1))

Caught expected exception 
  <class 'tensorflow.python.framework.errors_impl.InvalidArgumentError'>:

Traceback (most recent call last):
  File "<ipython-input-1-73d0ca52e838>", line 8, in assert_raises
    yield
  File "<ipython-input-1-e4e2860a4364>", line 2, in <module>
    double_strings(tf.constant(1))
tensorflow.python.framework.errors_impl.InvalidArgumentError: cannot compute __inference_double_162 as input #0(zero-based) was expected to be a string tensor but is a int32 tensor [Op:__inference_double_162]

יתכן שתבחין כי לטיעוני Python ניתן טיפול מיוחד בחתימת הקלט של פונקציה קונקרטית. לפני TensorFlow 2.3, טיעוני פיתון פשוט הוסרו מחתימת הפונקציה הקונקרטית. החל מ- TensorFlow 2.3, ארגומנטים של Python נותרים בחתימה, אך מוגבלים לקחת את הערך שנקבע במהלך המעקב.

@tf.function
def pow(a, b):
  return a ** b

square = pow.get_concrete_function(a=tf.TensorSpec(None, tf.float32), b=2)
print(square)

ConcreteFunction pow(a, b=2)
  Args:
    a: float32 Tensor, shape=<unknown>
  Returns:
    float32 Tensor, shape=<unknown>


assert square(tf.constant(10.0)) == 100

with assert_raises(TypeError):
  square(tf.constant(10.0), b=3)

Caught expected exception 
  <class 'TypeError'>:

Traceback (most recent call last):
  File "/tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/eager/function.py", line 1683, in _call_impl
    cancellation_manager)
  File "/tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/eager/function.py", line 1728, in _call_with_flat_signature
    self._flat_signature_summary(), ", ".join(sorted(kwargs))))
TypeError: pow(a) got unexpected keyword arguments: b.

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "<ipython-input-1-73d0ca52e838>", line 8, in assert_raises
    yield
  File "<ipython-input-1-d163f3d206cb>", line 4, in <module>
    square(tf.constant(10.0), b=3)
TypeError: ConcreteFunction pow(a, b) was constructed with int value 2 in b, but was called with int value 3

השגת גרפים

כל פונקציה קונקרטית היא עטיפה tf.Graph סביב tf.Graph . למרות tf.Graph האובייקט tf.Graph בפועל אינו דבר שבדרך כלל תצטרך לעשות, אתה יכול להשיג אותו בקלות מכל פונקציה קונקרטית.

graph = double_strings.graph
for node in graph.as_graph_def().node:
  print(f'{node.input} -> {node.name}')

[] -> a
['a', 'a'] -> add
['add'] -> Identity

ניפוי באגים

באופן כללי, קוד איתור באגים קל יותר במצב להוט מאשר tf.function . עליך לוודא שהקוד שלך מבוצע ללא שגיאות במצב להוט לפני שאתה מקשט עם tf.function . כדי לסייע בתהליך איתור באגים, אתה יכול להתקשר אל tf.config.run_functions_eagerly(True) כדי להשבית ולהפעיל מחדש את tf.function .

בעת מעקב אחר בעיות המופיעות רק ב- tf.function , הנה כמה טיפים:

  • שיחות print ישנות של פייתון ישנות מבוצעות רק במהלך האיתור, ועוזרות לך להתחקות מתי הפונקציה שלך נעשית (מחדש).
  • שיחות tf.print יבוצעו בכל פעם ויכולות לעזור לך לאתר ערכי ביניים במהלך הביצוע.
  • tf.debugging.enable_check_numerics היא דרך קלה לאתר היכן נוצרים NaNs ו- Inf.
  • pdb יכול לעזור לך להבין מה קורה במהלך האיתור. (אזהרה: ה- PDB יפיל אותך לקוד מקור שהופך באמצעות AutoGraph.)

התחקות אחר סמנטיקה

כללי מפתח מטמון

Function קובעת אם לעשות שימוש חוזר בפונקציית בטון שעוקבה על ידי חישוב מפתח מטמון מתוך הטענות והקווארוגים של הקלט.

  • המפתח שנוצר עבור ארגומנט tf.Tensor הוא צורתו וסוג ה- dt.
  • החל מ- TensorFlow 2.3, המפתח שנוצר עבור ארגומנט tf.Variable הוא ה- id() שלו id() .
  • המפתח שנוצר לפרימיטיבי של פייתון הוא הערך שלו. המפתח שנוצר עבור dict מקוננים, list s, tuple s, namedtuple tuple s ו- attr s הוא tuple השטוח. (כתוצאה מהשטחה זו, קריאה לפונקציית בטון עם מבנה קינון שונה מזה המשמש במהלך העקיבה תביא ל- TypeError).
  • עבור כל שאר סוגי הפיתון, המפתחות מבוססים על id() האובייקט id() כך שניתן לעקוב אחר שיטות באופן עצמאי לכל מופע של מחלקה.

שליטה חוזרת

גיוס חוזר מסייע להבטיח ש- TensorFlow יוצר גרפים נכונים עבור כל קבוצת תשומות. עם זאת, מעקב הוא פעולה יקרה! אם Function שלך משחזרת גרף חדש לכל שיחה, תגלה שהקוד שלך פועל לאט יותר מאשר אם לא tf.function ב- tf.function .

כדי לשלוט בהתנהגות האיתור, ניתן להשתמש בטכניקות הבאות:

  • ציין את input_signature ב- tf.function כדי להגביל את העקיבה.
@tf.function(input_signature=(tf.TensorSpec(shape=[None], dtype=tf.int32),))
def next_collatz(x):
  print("Tracing with", x)
  return tf.where(x % 2 == 0, x // 2, 3 * x + 1)

print(next_collatz(tf.constant([1, 2])))
# We specified a 1-D tensor in the input signature, so this should fail.
with assert_raises(ValueError):
  next_collatz(tf.constant([[1, 2], [3, 4]]))

# We specified an int32 dtype in the input signature, so this should fail.
with assert_raises(ValueError):
  next_collatz(tf.constant([1.0, 2.0]))

Tracing with Tensor("x:0", shape=(None,), dtype=int32)
tf.Tensor([4 1], shape=(2,), dtype=int32)
Caught expected exception 
  <class 'ValueError'>:
Caught expected exception 
  <class 'ValueError'>:

Traceback (most recent call last):
  File "<ipython-input-1-73d0ca52e838>", line 8, in assert_raises
    yield
  File "<ipython-input-1-20f544b8adbf>", line 9, in <module>
    next_collatz(tf.constant([[1, 2], [3, 4]]))
ValueError: Python inputs incompatible with input_signature:
  inputs: (
    tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32))
  input_signature: (
    TensorSpec(shape=(None,), dtype=tf.int32, name=None))
Traceback (most recent call last):
  File "<ipython-input-1-73d0ca52e838>", line 8, in assert_raises
    yield
  File "<ipython-input-1-20f544b8adbf>", line 13, in <module>
    next_collatz(tf.constant([1.0, 2.0]))
ValueError: Python inputs incompatible with input_signature:
  inputs: (
    tf.Tensor([1. 2.], shape=(2,), dtype=float32))
  input_signature: (
    TensorSpec(shape=(None,), dtype=tf.int32, name=None))

  • ציין ממד [ללא] ב- tf.TensorSpec כדי לאפשר גמישות בשימוש חוזר אחר.

    מכיוון ש- TensorFlow תואם טנזורים על סמך צורתם, שימוש בממד None בתור תו כללי יאפשר Function s לעשות שימוש חוזר במעקב לצורך קלט בגודל משתנה. קלט בגודל משתנה יכול להתרחש אם יש לך רצפים באורך שונה, או תמונות בגדלים שונים עבור כל אצווה (ראה למשל מדריכי רובוטריקים ו Deep Dream ).

@tf.function(input_signature=(tf.TensorSpec(shape=[None], dtype=tf.int32),))
def g(x):
  print('Tracing with', x)
  return x

# No retrace!
print(g(tf.constant([1, 2, 3])))
print(g(tf.constant([1, 2, 3, 4, 5])))

Tracing with Tensor("x:0", shape=(None,), dtype=int32)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)
tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)

  • העבר טיעונים של פייתון ל Tensors כדי להפחית את ההחזרה.

    לעיתים קרובות, ארגומנטים של פייתון משמשים לשליטה num_layers=10 ובבניית גרפים - למשל, num_layers=10 או training=True או nonlinearity='relu' . אז אם הטיעון של פייתון ישתנה, הגיוני שתצטרך לעקוב אחר הגרף מחדש.

    עם זאת, יתכן שלא משתמשים בטיעון של פייתון לבקרת בניית גרפים. במקרים אלה, שינוי בערך הפיתון יכול לגרום למשיכה מיותרת. קחו, למשל, את לולאת האימון הזו, ש- AutoGraph תפרוש באופן דינמי. למרות העקבות המרובים, הגרף שנוצר הוא זהה למעשה, ולכן חזרה מיותרת.

def train_one_step():
  pass

@tf.function
def train(num_steps):
  print("Tracing with num_steps = ", num_steps)
  tf.print("Executing with num_steps = ", num_steps)
  for _ in tf.range(num_steps):
    train_one_step()

print("Retracing occurs for different Python arguments.")
train(num_steps=10)
train(num_steps=20)

print()
print("Traces are reused for Tensor arguments.")
train(num_steps=tf.constant(10))
train(num_steps=tf.constant(20))

Retracing occurs for different Python arguments.
Tracing with num_steps =  10
Executing with num_steps =  10
Tracing with num_steps =  20
Executing with num_steps =  20

Traces are reused for Tensor arguments.
Tracing with num_steps =  Tensor("num_steps:0", shape=(), dtype=int32)
Executing with num_steps =  10
Executing with num_steps =  20

אם אתה זקוק לאילוח חוזר בכוח, צור Function חדשה. מובטח כי אובייקטי Function נפרדים אינם חולקים עקבות.

def f():
  print('Tracing!')
  tf.print('Executing')

tf.function(f)()
tf.function(f)()

Tracing!
Executing
Tracing!
Executing

תופעות לוואי של פייתון

תופעות לוואי של פייתון כמו הדפסה, הוספה לרשימות ומוטב גלובליות מתרחשות רק בפעם הראשונה שאתה קורא Function עם סט כניסות. לאחר מכן, ה- tf.Graph מבוצע מחדש, מבלי לבצע את קוד הפייתון.

כלל האצבע הוא להשתמש רק בתופעות לוואי של Python לצורך ניפוי העקבות שלך. אחרת, אופציות TensorFlow כמו tf.Variable.assign , tf.print ו- tf.summary הן הדרך הטובה ביותר להבטיח שהמעקב אחר קודך יבוצע על ידי זמן הריצה של TensorFlow בכל שיחה.

@tf.function
def f(x):
  print("Traced with", x)
  tf.print("Executed with", x)

f(1)
f(1)
f(2)

Traced with 1
Executed with 1
Executed with 1
Traced with 2
Executed with 2

תכונות רבות של פייתון, כגון גנרטורים ואיטרטים, מסתמכות על זמן הריצה של פייתון כדי לעקוב אחר המצב. באופן כללי, בעוד שמבנים אלה פועלים כמצופה במצב להוט, דברים רבים בלתי צפויים יכולים לקרות בתוך Function .

כדי לתת דוגמה אחת, התקדמות מצב האיטרציה היא תופעת לוואי של פייתון ולכן מתרחשת רק במהלך העקיבה.

external_var = tf.Variable(0)
@tf.function
def buggy_consume_next(iterator):
  external_var.assign_add(next(iterator))
  tf.print("Value of external_var:", external_var)

iterator = iter([0, 1, 2, 3])
buggy_consume_next(iterator)
# This reuses the first value from the iterator, rather than consuming the next value.
buggy_consume_next(iterator)
buggy_consume_next(iterator)

Value of external_var: 0
Value of external_var: 0
Value of external_var: 0

מבני איטרציה מסוימים נתמכים באמצעות AutoGraph. ראה סעיף על התמונות האוטוגרפיות לקבלת סקירה כללית.

אם ברצונך לבצע קוד פייתון במהלך כל הפעלת Function , tf.py_function הוא פתח יציאה. החיסרון של tf.py_function הוא שהוא לא נייד או ביצועי במיוחד, וגם לא עובד טוב tf.py_function מבוזרות (מרובות GPU, TPU). כמו כן, מכיוון שיש לחבר את tf.py_function הוא tf.py_function את כל הקלטים / הפלטים לטנזורים.

ממשקי API כמו tf.gather , tf.stack ו- tf.TensorArray יכולים לעזור לך ליישם דפוסי לולאה נפוצים ב- TensorFlow.

external_list = []

def side_effect(x):
  print('Python side effect')
  external_list.append(x)

@tf.function
def f(x):
  tf.py_function(side_effect, inp=[x], Tout=[])

f(1)
f(1)
f(1)
# The list append happens all three times!
assert len(external_list) == 3
# The list contains tf.constant(1), not 1, because py_function casts everything to tensors.
assert external_list[0].numpy() == 1

Python side effect
Python side effect
Python side effect

משתנים

אתה עלול להיתקל בשגיאה בעת יצירת tf.Variable . tf.Variable חדש בפונקציה. השומרים שגיאה זו נגד הבדלי התנהגות על קריאות חוזרות ונשנות: במצב להוט, פונקציה יוצרת משתנה חדש עם כל שיחה, אבל בתוך Function , משתנה חדש לא יכול להיווצר עקב שימוש חוזר עקבות.

@tf.function
def f(x):
  v = tf.Variable(1.0)
  v.assign_add(x)
  return v

with assert_raises(ValueError):
  f(1.0)

Caught expected exception 
  <class 'ValueError'>:

Traceback (most recent call last):
  File "<ipython-input-1-73d0ca52e838>", line 8, in assert_raises
    yield
  File "<ipython-input-1-73e410646579>", line 8, in <module>
    f(1.0)
ValueError: in user code:

    <ipython-input-1-73e410646579>:3 f  *
        v = tf.Variable(1.0)
    /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/ops/variables.py:262 __call__  **
        return cls._variable_v2_call(*args, **kwargs)
    /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/ops/variables.py:256 _variable_v2_call
        shape=shape)
    /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/ops/variables.py:67 getter
        return captured_getter(captured_previous, **kwargs)
    /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/eager/def_function.py:731 invalid_creator_scope
        "tf.function-decorated function tried to create "

    ValueError: tf.function-decorated function tried to create variables on non-first call.

ניתן ליצור משתנים בתוך Function כל עוד משתנים אלה נוצרים רק בפעם הראשונה שהפונקציה מבוצעת.

class Count(tf.Module):
  def __init__(self):
    self.count = None

  @tf.function
  def __call__(self):
    if self.count is None:
      self.count = tf.Variable(0)
    return self.count.assign_add(1)

c = Count()
print(c())
print(c())

tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)

שגיאה נוספת שתיתקל בה היא משתנה שנאסף באשפה. בניגוד לפונקציות רגילות של פייתון, פונקציות קונקרטיות רק שומרות על WeakRefs למשתנים שהם סוגרים עליהם, לכן עליך לשמור על התייחסות לכל משתנה.

external_var = tf.Variable(3)
@tf.function
def f(x):
  return x * external_var

traced_f = f.get_concrete_function(4)
print("Calling concrete function...")
print(traced_f(4))

del external_var
print()
print("Calling concrete function after garbage collecting its closed Variable...")
with assert_raises(tf.errors.FailedPreconditionError):
  traced_f(4)

Calling concrete function...
tf.Tensor(12, shape=(), dtype=int32)

Calling concrete function after garbage collecting its closed Variable...
Caught expected exception 
  <class 'tensorflow.python.framework.errors_impl.FailedPreconditionError'>:

Traceback (most recent call last):
  File "<ipython-input-1-73d0ca52e838>", line 8, in assert_raises
    yield
  File "<ipython-input-1-304a18524b57>", line 14, in <module>
    traced_f(4)
tensorflow.python.framework.errors_impl.FailedPreconditionError: 2 root error(s) found.
  (0) Failed precondition:  Error while reading resource variable _AnonymousVar6 from Container: localhost. This could mean that the variable was uninitialized. Not found: Resource localhost/_AnonymousVar6/N10tensorflow3VarE does not exist.
     [[node ReadVariableOp (defined at <ipython-input-1-304a18524b57>:4) ]]
  (1) Failed precondition:  Error while reading resource variable _AnonymousVar6 from Container: localhost. This could mean that the variable was uninitialized. Not found: Resource localhost/_AnonymousVar6/N10tensorflow3VarE does not exist.
     [[node ReadVariableOp (defined at <ipython-input-1-304a18524b57>:4) ]]
     [[ReadVariableOp/_2]]
0 successful operations.
0 derived errors ignored. [Op:__inference_f_473]

Function call stack:
f -> f

שינויים באוטוגרף

AutoGraph היא ספרייה tf.function כברירת מחדל tf.function , והופכת תת-קבוצה של קוד להוט של פייתון לפונקציות TensorFlow תואמות גרף. זה כולל זרימת בקרה if , for while .

אופציות של TensorFlow כמו tf.cond ו- tf.cond . tf.while_loop ממשיכות לעבוד, אך לעתים קרובות קל יותר לכתוב ולהבין את זרימת השליטה tf.while_loop בפייתון.

# Simple loop

@tf.function
def f(x):
  while tf.reduce_sum(x) > 1:
    tf.print(x)
    x = tf.tanh(x)
  return x

f(tf.random.uniform([5]))

[0.82800746 0.953753114 0.439338565 0.432760358 0.699063778]
[0.679404736 0.741477489 0.413096 0.407625586 0.603773236]
[0.591132283 0.630037069 0.391098291 0.386454701 0.539729118]
[0.530709505 0.558077753 0.372306645 0.368299842 0.492782891]
[0.48592326 0.506549835 0.356007636 0.352503687 0.456422389]
[0.450974762 0.467252612 0.341692597 0.338594049 0.427163869]
[0.422699928 0.435976833 0.328987628 0.326221645 0.402948409]
[0.399202496 0.41030407 0.3176108 0.315121651 0.382468879]
[0.379266351 0.388730794 0.307344973 0.305089235 0.364849627]
[0.362070143 0.370265543 0.298019737 0.295963019 0.349478543]
[0.347036153 0.354223937 0.289499342 0.287613869 0.335912973]
[0.333744407 0.340116203 0.281673938 0.279937118 0.32382378]
[0.321881264 0.327581108 0.27445364 0.272846848 0.312960267]
[0.311206967 0.316345602 0.267764032 0.26627183 0.303127766]
[0.301534683 0.306198835 0.261543036 0.26015237 0.294172347]
[0.292716414 0.296975076 0.255738169 0.254438043 0.285970479]
[0.28463307 0.288541943 0.250304967 0.249085933 0.278421789]
[0.277187616 0.280792207 0.245205313 0.244059205 0.271443784]
[0.27030015 0.273638099 0.240406319 0.239326134 0.26496774]
[0.263904095 0.267006844 0.235879496 0.234859139 0.258936107]
[0.257943511 0.260837495 0.231599987 0.230634138 0.25330016]
[0.252371043 0.255078703 0.227546036 0.226629987 0.248018324]
[0.247146174 0.249686733 0.223698452 0.22282806 0.243054956]
[0.242234126 0.244624153 0.220040262 0.219211861 0.23837918]
[0.237604842 0.239858657 0.216556415 0.215766713 0.23396422]
[0.233232126 0.235362232 0.213233441 0.212479532 0.229786649]
[0.22909309 0.231110409 0.210059345 0.209338576 0.225825876]
[0.225167572 0.227081761 0.207023308 0.206333309 0.22206375]
[0.221437797 0.223257363 0.204115555 0.203454211 0.218484148]
[0.217888013 0.219620526 0.201327294 0.200692669 0.215072796]
[0.214504138 0.216156334 0.198650569 0.198040903 0.211816847]
[0.21127364 0.212851539 0.196078092 0.195491791 0.208704829]
[0.208185241 0.209694266 0.193603292 0.193038911 0.205726475]

<tf.Tensor: shape=(5,), dtype=float32, numpy=
array([0.20522884, 0.20667385, 0.19122012, 0.19067629, 0.20287241],
      dtype=float32)>

אם אתה סקרן אתה יכול לבדוק את קוד החתימה שמייצר.

print(tf.autograph.to_code(f.python_function))

def tf__f(x):
    with ag__.FunctionScope('f', 'fscope', ag__.ConversionOptions(recursive=True, user_requested=True, optional_features=(), internal_convert_user_code=True)) as fscope:
        do_return = False
        retval_ = ag__.UndefinedReturnValue()

        def get_state():
            return (x,)

        def set_state(vars_):
            nonlocal x
            (x,) = vars_

        def loop_body():
            nonlocal x
            ag__.converted_call(ag__.ld(tf).print, (ag__.ld(x),), None, fscope)
            x = ag__.converted_call(ag__.ld(tf).tanh, (ag__.ld(x),), None, fscope)

        def loop_test():
            return (ag__.converted_call(ag__.ld(tf).reduce_sum, (ag__.ld(x),), None, fscope) > 1)
        ag__.while_stmt(loop_test, loop_body, get_state, set_state, ('x',), {})
        try:
            do_return = True
            retval_ = ag__.ld(x)
        except:
            do_return = False
            raise
        return fscope.ret(retval_, do_return)

תנאים

AutoGraph ימיר כמה הצהרות if <condition> לשיחות tf.cond המקבילות. החלפה זו נעשית אם <condition> הוא טנסור. אחרת, if בהצהרה מבוצעת בתור מותנית Python.

תנאי פייתון מבוצע במהלך המעקב, כך שענף אחד של התנאי יתווסף לגרף. ללא AutoGraph, גרף מעקב זה לא יוכל לקחת את הענף החלופי אם יש זרימת בקרה תלויה בנתונים.

tf.cond עוקב ומוסיף את שני ענפי התנאי לגרף, תוך בחירה דינמית של ענף בזמן הביצוע. למעקב יכולות להיות תופעות לוואי לא מכוונות; ראה אפקטים למעקב אחר AutoGraph לקבלת מידע נוסף.

@tf.function
def fizzbuzz(n):
  for i in tf.range(1, n + 1):
    print('Tracing for loop')
    if i % 15 == 0:
      print('Tracing fizzbuzz branch')
      tf.print('fizzbuzz')
    elif i % 3 == 0:
      print('Tracing fizz branch')
      tf.print('fizz')
    elif i % 5 == 0:
      print('Tracing buzz branch')
      tf.print('buzz')
    else:
      print('Tracing default branch')
      tf.print(i)

fizzbuzz(tf.constant(5))
fizzbuzz(tf.constant(20))

Tracing for loop
Tracing fizzbuzz branch
Tracing fizz branch
Tracing buzz branch
Tracing default branch
1
2
fizz
4
buzz
1
2
fizz
4
buzz
fizz
7
8
fizz
buzz
11
fizz
13
14
fizzbuzz
16
17
fizz
19
buzz

עיין בתיעוד ההפניה להגבלות נוספות על הצהרות המרות AutoGraph אם.

לולאות

חתימה תמיר חלק for ו while הצהרות לתוך TensorFlow המקבילה looping ops, כמו tf.while_loop . אם לא מומרים, הלולאה for או while מבוצעת כלולאת פייתון.

החלפה זו נעשית במצבים הבאים:

  • for x in y : אם y הוא טנסור, המירו ל- tf.while_loop . tf.while_loop . במקרה המיוחד שבו y הואtf.data.Dataset , נוצר שילוב שלtf.data.Dataset ops.
  • while <condition> : אם <condition> הוא טנסור, המירו ל- tf.while_loop . tf.while_loop .

לולאת פיתון tf.Graph במהלך המעקב, ומוסיפה אופס נוספים ל- tf.Graph עבור כל איטרציה של הלולאה.

לולאת TensorFlow עוקבת אחר גוף הלולאה, ובוחרת באופן דינמי כמה איטרציות לרוץ בזמן הביצוע. גוף הלולאה מופיע רק פעם אחת ב- tf.Graph שנוצר.

עיין בתיעוד ההפניה למגבלות נוספות בהמרת AutoGraph for הצהרות while .

מדלג על נתוני פייתון

מלכודת נפוצה היא לולאה על נתונים של פייתון / Numpy בתוך tf.function . לולאה זו תבוצע במהלך תהליך האיתור, tf.Graph עותק של המודל שלך ל- tf.Graph עבור כל איטרציה של הלולאה.

אם ברצונך לעטוף את כל לולאת האימונים tf.function , הדרך הבטוחה ביותר לעשות זאת היא לעטוף את הנתונים שלך כ-tf.data.Dataset כך שאוטוגרף יבטל את לולאת האימון באופן דינמי.

def measure_graph_size(f, *args):
  g = f.get_concrete_function(*args).graph
  print("{}({}) contains {} nodes in its graph".format(
      f.__name__, ', '.join(map(str, args)), len(g.as_graph_def().node)))

@tf.function
def train(dataset):
  loss = tf.constant(0)
  for x, y in dataset:
    loss += tf.abs(y - x) # Some dummy computation.
  return loss

small_data = [(1, 1)] * 3
big_data = [(1, 1)] * 10
measure_graph_size(train, small_data)
measure_graph_size(train, big_data)

measure_graph_size(train, tf.data.Dataset.from_generator(
    lambda: small_data, (tf.int32, tf.int32)))
measure_graph_size(train, tf.data.Dataset.from_generator(
    lambda: big_data, (tf.int32, tf.int32)))

train([(1, 1), (1, 1), (1, 1)]) contains 11 nodes in its graph
train([(1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1)]) contains 32 nodes in its graph
train(<FlatMapDataset shapes: (<unknown>, <unknown>), types: (tf.int32, tf.int32)>) contains 10 nodes in its graph
train(<FlatMapDataset shapes: (<unknown>, <unknown>), types: (tf.int32, tf.int32)>) contains 10 nodes in its graph

כאשר עוטפים נתונים של Python / Numpy במערך נתונים, יש לשים לב ל tf.data.Dataset.from_generator לעומת tf.data.Dataset.from_tensors . הראשון ישמור את הנתונים בפייתון tf.py_function אותם באמצעות tf.py_function שיכולה להיות השלכות ביצועים, ואילו האחרון tf.constant() עותק של הנתונים tf.constant() אחד גדול בגרף, שיכול להיות בעל השלכות זיכרון.

קריאת נתונים מקבצים באמצעות TFRecordDataset / CsvDataset / וכו '. היא הדרך היעילה ביותר לצרוך נתונים, שכן אז TensorFlow עצמו יכול לנהל את הטעינה והאסיפה האסינכרוניים של נתונים, מבלי שיהיה צורך לערב את Python. למידע נוסף, עיין במדריך tf.data .

צבירת ערכים בלולאה

דפוס נפוץ הוא צבירת ערכי ביניים מלולאה. בדרך כלל, הדבר נעשה על ידי הצטרפות לרשימת פייתון או הוספת ערכים למילון פייתון. עם זאת, מכיוון שמדובר בתופעות לוואי של פייתון, הן לא יעבדו כצפוי בלולאה הנגללת באופן דינמי. השתמש ב- tf.TensorArray כדי לצבור תוצאות tf.TensorArray באופן דינמי.

batch_size = 2
seq_len = 3
feature_size = 4

def rnn_step(inp, state):
  return inp + state

@tf.function
def dynamic_rnn(rnn_step, input_data, initial_state):
  # [batch, time, features] -> [time, batch, features]
  input_data = tf.transpose(input_data, [1, 0, 2])
  max_seq_len = input_data.shape[0]

  states = tf.TensorArray(tf.float32, size=max_seq_len)
  state = initial_state
  for i in tf.range(max_seq_len):
    state = rnn_step(input_data[i], state)
    states = states.write(i, state)
  return tf.transpose(states.stack(), [1, 0, 2])

dynamic_rnn(rnn_step,
            tf.random.uniform([batch_size, seq_len, feature_size]),
            tf.zeros([batch_size, feature_size]))

<tf.Tensor: shape=(2, 3, 4), dtype=float32, numpy=
array([[[0.8876684 , 0.51591396, 0.906677  , 0.9903525 ],
        [1.06799   , 1.2731225 , 1.0150459 , 1.4682751 ],
        [1.117998  , 1.4896113 , 1.8637874 , 1.9430903 ]],

       [[0.9585289 , 0.6935735 , 0.76666355, 0.1607722 ],
        [1.1963592 , 1.0271138 , 1.5978618 , 0.61320186],
        [1.5212903 , 1.8943032 , 1.6955764 , 1.2236354 ]]], dtype=float32)>

לקריאה נוספת

למידע על אופן הייצוא והטעינה של Function , עיין במדריך SavedModel . למידע נוסף על אופטימיזציות גרפים המבוצעות לאחר מעקב, עיין במדריך Grappler . כדי ללמוד כיצד לבצע אופטימיזציה של צינור הנתונים שלך ולפרופיל את המודל שלך, עיין במדריך Profiler .