创建网站开发公司,商丘关键词优化推广,WordPress黑镜主题下载,电脑版传奇排行榜学习参考#xff1a;
动手学深度学习2.0Deep-Learning-with-TensorFlow-bookpytorchlightning
①如有冒犯、请联系侵删。 ②已写完的笔记文章会不定时一直修订修改(删、改、增)#xff0c;以达到集多方教程的精华于一文的目的。 ③非常推荐上面#xff08;学习参考#x…学习参考
动手学深度学习2.0Deep-Learning-with-TensorFlow-bookpytorchlightning
①如有冒犯、请联系侵删。 ②已写完的笔记文章会不定时一直修订修改(删、改、增)以达到集多方教程的精华于一文的目的。 ③非常推荐上面学习参考的前两个教程在网上是开源免费的写的很棒不管是开始学还是复习巩固都很不错的。
深度学习回顾专栏内容来源多个书籍笔记、在线笔记、以及自己的感想、想法佛系更新。争取内容全面而不失重点。完结时间到了也会一直更新下去已写完的笔记文章会不定时一直修订修改(删、改、增)以达到集多方教程的精华于一文的目的。所有文章涉及的教程都会写在开头、一起学习一起进步。
1.神经网络的层和块
神经网络块“比单个层大”但“比整个模型小”的组件。块block可以描述单个层、由多个层组成的组件或整个模型本身。 使用块进行抽象的一个好处是可以将一些块组合成更大的组件 这一过程通常是递归的 从编程的角度来看块由类class表示。 它的任何子类都必须定义一个将其输入转换为输出的前向传播函数 并且必须存储任何必需的参数。 注意有些块不需要任何参数。 最后为了计算梯度块必须具有反向传播函数。
如下代码进行解读 通过实例化keras.models.Sequential来构建模型 层的执行顺序是作为参数传递的。 简而言之Sequential定义了一种特殊的keras.Model 即在Keras中表示一个块的类。 它维护了一个由Model组成的有序列表 注意两个全连接层都是Model类的实例 这个类本身就是Model的子类。 前向传播call函数也非常简单 它将列表中的每个块连接在一起将每个块的输出作为下一个块的输入。 注意到目前为止一直在通过net(X)调用模型来获得模型的输出。 这实际上是net.call(X)的简写 这是通过Block类的__call__函数实现的一个Python技巧。
import tensorflow as tfnet tf.keras.models.Sequential([tf.keras.layers.Dense(256, activationtf.nn.relu),tf.keras.layers.Dense(10),
])X tf.random.uniform((2, 20))
net(X)#相当于net.__call__(X)Sequential的设计是为了把其他模块串起来。
2.自定义 块
从零开始编写一个块。 它包含一个多层感知机其具有256个隐藏单元的隐藏层和一个10维输出层。 注意下面的MLP类继承了表示块的类。 实现只需要提供自己的构造函数Python中的__init__函数和前向传播函数。
将输入数据作为其前向传播函数的参数。通过前向传播函数来生成输出。请注意输出的形状可能与输入的形状不同。例如我们上面模型中的第一个全连接的层接收任意维的输入但是返回一个维度256的输出。计算其输出关于输入的梯度可通过其反向传播函数进行访问。通常这是自动发生的。存储和访问前向传播计算所需的参数。根据需要初始化模型参数。
class MLP(tf.keras.Model):# 用模型参数声明层。这里我们声明两个全连接的层def __init__(self):# 调用MLP的父类Model的构造函数来执行必要的初始化。# 这样在类实例化时也可以指定其他函数参数例如模型参数params稍后将介绍super().__init__()# Hiddenlayerself.hidden tf.keras.layers.Dense(units256, activationtf.nn.relu)self.out tf.keras.layers.Dense(units10) # Outputlayer# 定义模型的前向传播即如何根据输入X返回所需的模型输出def call(self, X):return self.out(self.hidden((X)))net MLP()
net(X)代码解读
前向传播函数以X作为输入 计算带有激活函数的隐藏表示并输出其未规范化的输出值。实例化多层感知机的层然后在每次调用前向传播函数时调用这些层定制的__init__函数通过super().__init__() 调用父类的__init__函数 省去了重复编写模版代码的痛苦。实例化两个全连接层 分别为self.hidden和self.out。 注意除非要实现一个新的运算符 否则不必担心反向传播函数或参数初始化 系统将自动生成这些。
1顺序块
Sequential的设计基本上总结为
一种将块逐个追加到列表中的函数一种前向传播函数用于将输入按追加块的顺序传递给块组成的“链条”。
如下MySequential的用法与之前为Sequential类编写的代码相同。
class MySequential(tf.keras.Model):def __init__(self, *args):super().__init__()self.modules []for block in args:# 这里block是tf.keras.layers.Layer子类的一个实例self.modules.append(block)def call(self, X):for module in self.modules:X module(X)return Xnet MySequential(tf.keras.layers.Dense(units256, activationtf.nn.relu),tf.keras.layers.Dense(10))
net(X)3. 在前向传播函数中执行代码
Sequential类使模型构造变得简单 允许组合新的架构而不必定义自己的类。 然而并不是所有的架构都是简单的顺序架构。 当需要更强的灵活性时需要定义自己的块。
网络中的所有操作都对网络的激活值及网络的参数起作用然而希望合并既不是上一层的结果也不是可更新参数的项 称之为常数参数constant parameter。
class FixedHiddenMLP(tf.keras.Model):def __init__(self):super().__init__()self.flatten tf.keras.layers.Flatten()# 使用tf.constant函数创建的随机权重参数在训练期间不会更新即为常量参数self.rand_weight tf.constant(tf.random.uniform((20, 20)))self.dense tf.keras.layers.Dense(20, activationtf.nn.relu)def call(self, inputs):X self.flatten(inputs)# 使用创建的常量参数以及relu和matmul函数X tf.nn.relu(tf.matmul(X, self.rand_weight) 1)# 复用全连接层。这相当于两个全连接层共享参数。X self.dense(X)# 控制流while tf.reduce_sum(tf.math.abs(X)) 1:X / 2return tf.reduce_sum(X)net FixedHiddenMLP()
net(X)在这个FixedHiddenMLP模型中实现了一个隐藏层 其权重self.rand_weight在实例化时被随机初始化之后为常量。 这个权重不是一个模型参数因此它永远不会被反向传播更新。
4.多个块混合组合
一个块混合搭配各种组合块一个块可以由许多层组成一个块可以由许多块组成。
class FixedHiddenMLP(tf.keras.Model):def __init__(self):super().__init__()self.flatten tf.keras.layers.Flatten()# 使用tf.constant函数创建的随机权重参数在训练期间不会更新即为常量参数self.rand_weight tf.constant(tf.random.uniform((20, 20)))self.dense tf.keras.layers.Dense(20, activationtf.nn.relu)def call(self, inputs):X self.flatten(inputs)# 使用创建的常量参数以及relu和matmul函数X tf.nn.relu(tf.matmul(X, self.rand_weight) 1)# 复用全连接层。这相当于两个全连接层共享参数。X self.dense(X)# 控制流while tf.reduce_sum(tf.math.abs(X)) 1:X / 2return tf.reduce_sum(X)class NestMLP(tf.keras.Model):def __init__(self):super().__init__()self.net tf.keras.Sequential()self.net.add(tf.keras.layers.Dense(64, activationtf.nn.relu))self.net.add(tf.keras.layers.Dense(32, activationtf.nn.relu))self.dense tf.keras.layers.Dense(16, activationtf.nn.relu)def call(self, inputs):return self.dense(self.net(inputs))chimera tf.keras.Sequential()
chimera.add(NestMLP())
chimera.add(tf.keras.layers.Dense(20))
chimera.add(FixedHiddenMLP())
chimera(X)5.参数管理
在选择了架构并设置了超参数后就进入了训练阶段。 此时目标是找到使损失函数最小化的模型参数值。经过训练后将需要使用这些参数来做出未来的预测。 此外希望提取参数以便在其他环境中复用它们 将模型保存下来以便它可以在其他软件中执行 或者为了获得科学的理解而进行检查。
import tensorflow as tfnet tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(4, activationtf.nn.relu),tf.keras.layers.Dense(1),
])X tf.random.uniform((2, 4))
net(X)5.1参数访问
从已有模型中访问参数。 当通过Sequential类定义模型时 可以通过索引来访问模型的任意层。 这就像模型是一个列表一样每层的参数都在其属性中。
import tensorflow as tfnet tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(4, activationtf.nn.relu),tf.keras.layers.Dense(1),
])X tf.random.uniform((2, 4))
net(X)
print(net.layers[2].weights)[tf.Variable dense_1/kernel:0 shape(4, 1) dtypefloat32, numpy
array([[ 0.06311333],[-0.17863423],[-0.38862765],[ 0.9374387 ]], dtypefloat32), tf.Variable dense_1/bias:0 shape(1,) dtypefloat32, numpyarray([0.], dtypefloat32)]代码解释 首先这个全连接层包含两个参数分别是该层的权重和偏置。 两者都存储为单精度浮点数float32。 注意参数名称允许唯一标识每个参数即使在包含数百个层的网络中也是如此。
(1)访问目标参数
注意每个参数都表示为参数类的一个实例。 要对参数执行任何操作首先需要访问底层的数值。
第二个全连接层即第三个神经网络层提取偏置 提取后返回的是一个参数类实例并进一步访问该参数的值
print(type(net.layers[2].weights[1]))
print(net.layers[2].weights[1])
print(tf.convert_to_tensor(net.layers[2].weights[1]))class tensorflow.python.ops.resource_variable_ops.ResourceVariable
tf.Variable dense_1/bias:0 shape(1,) dtypefloat32, numpyarray([0.], dtypefloat32)
tf.Tensor([0.], shape(1,), dtypefloat32)(2) 一次性访问所有参数
当需要对所有参数执行操作时逐个访问它们可能会很麻烦。 当处理更复杂的块例如嵌套块时情况可能会变得特别复杂 因为需要递归整个树来提取每个子块的参数。
print(net.layers[1].weights)
print(net.get_weights())[tf.Variable dense/kernel:0 shape(4, 4) dtypefloat32, numpy
array([[ 0.34964794, -0.01246995, -0.66718704, 0.8423942 ],[ 0.40420133, 0.48373526, -0.16817617, 0.58779615],[-0.33410978, 0.44151586, -0.14673978, -0.4114933 ],[-0.18501085, -0.1278897 , 0.5296257 , 0.21039444]],dtypefloat32), tf.Variable dense/bias:0 shape(4,) dtypefloat32, numpyarray([0., 0., 0., 0.], dtypefloat32)]
[array([[ 0.34964794, -0.01246995, -0.66718704, 0.8423942 ],[ 0.40420133, 0.48373526, -0.16817617, 0.58779615],[-0.33410978, 0.44151586, -0.14673978, -0.4114933 ],[-0.18501085, -0.1278897 , 0.5296257 , 0.21039444]],dtypefloat32), array([0., 0., 0., 0.], dtypefloat32), array([[-0.58489895],[-0.6303506 ],[-1.0014054 ],[-0.02034676]], dtypefloat32), array([0.], dtypefloat32)]net.get_weights()[1]array([0., 0., 0., 0.], dtypefloat32)(3)从嵌套块收集参数
如果将多个块相互嵌套参数命名约定是如何工作的。 首先定义一个生成块的函数可以说是“块工厂”然后将这些块组合到更大的块中。
def block1(name):return tf.keras.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(4, activationtf.nn.relu)],namename)def block2():net tf.keras.Sequential()for i in range(4):# 在这里嵌套net.add(block1(namefblock-{i}))return netrgnet tf.keras.Sequential()
rgnet.add(block2())
rgnet.add(tf.keras.layers.Dense(1))
rgnet(X)tf.Tensor: shape(2, 1), dtypefloat32, numpy
array([[0.03218262],[0.04669464]], dtypefloat32)print(rgnet.summary())Model: sequential_1
_________________________________________________________________Layer (type) Output Shape Param #
sequential_2 (Sequential) (2, 4) 80 dense_6 (Dense) (2, 1) 5
Total params: 85
Trainable params: 85
Non-trainable params: 0
_________________________________________________________________
None因为层是分层嵌套的所以也可以像通过嵌套列表索引一样访问它们。 下面访问第一个主要的块中、第二个子块的第一层的偏置项。
rgnet.layers[0].layers[1].layers[1].weights[1]tf.Variable dense_3/bias:0 shape(4,) dtypefloat32, numpyarray([0., 0., 0., 0.], dtypefloat32)5.2参数初始化
深度学习框架提供默认随机初始化 也允许创建自定义初始化方法 满足通过其他规则实现初始化权重。默认情况下Keras会根据一个范围均匀地初始化权重矩阵 这个范围是根据输入和输出维度计算出的。 偏置参数设置为0。 TensorFlow在根模块和keras.initializers模块中提供了各种初始化方法。
(1)内置默认初始化
首先调用内置的初始化器。 下面将所有权重参数初始化为标准差为0.01的高斯随机变量 且将偏置(均重)参数设置为0。
net tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(4, activationtf.nn.relu,kernel_initializertf.random_normal_initializer(mean0, stddev0.01),bias_initializertf.zeros_initializer()),tf.keras.layers.Dense(1)])net(X)
net.weights[0], net.weights[1](tf.Variable dense_7/kernel:0 shape(4, 4) dtypefloat32, numpyarray([[-0.0084911 , 0.01987272, 0.0047598 , 0.00767572],[ 0.00302977, 0.00571064, 0.01353499, -0.00716146],[ 0.01516861, -0.0042888 , -0.01337093, 0.01640075],[-0.00443652, 0.00357472, 0.003672 , 0.00791739]],dtypefloat32),tf.Variable dense_7/bias:0 shape(4,) dtypefloat32, numpyarray([0., 0., 0., 0.], dtypefloat32))还可以将所有参数初始化为给定的常数比如初始化为1。
net tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(4, activationtf.nn.relu,kernel_initializertf.keras.initializers.Constant(1),bias_initializertf.zeros_initializer()),tf.keras.layers.Dense(1),
])net(X)
net.weights[0], net.weights[1](tf.Variable dense_9/kernel:0 shape(4, 4) dtypefloat32, numpyarray([[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]], dtypefloat32),tf.Variable dense_9/bias:0 shape(4,) dtypefloat32, numpyarray([0., 0., 0., 0.], dtypefloat32))还可以对某些块应用不同的初始化方法。 例如下面使用Xavier初始化方法初始化第一个神经网络层 然后将第三个神经网络层初始化为常量值42。
net tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(4,activationtf.nn.relu,kernel_initializertf.keras.initializers.GlorotUniform()),tf.keras.layers.Dense(1, kernel_initializertf.keras.initializers.Constant(1)),
])net(X)
print(net.layers[1].weights[0])
print(net.layers[2].weights[0])tf.Variable dense_11/kernel:0 shape(4, 4) dtypefloat32, numpy
array([[ 0.05044675, -0.75048006, -0.27696246, 0.3049981 ],[-0.8364825 , 0.71040255, 0.05052626, 0.6309851 ],[ 0.7461434 , 0.43411523, 0.25171906, -0.76259345],[ 0.5316939 , 0.4294545 , -0.22395748, 0.08069021]],dtypefloat32)
tf.Variable dense_12/kernel:0 shape(4, 1) dtypefloat32, numpy
array([[1.],[1.],[1.],[1.]], dtypefloat32)(2)自定义初始化
深度学习框架没有提供所需要的初始化方法。例如使用以下的分布为任意权重参数 定义初始化方法
下面定义了一个Initializer的子类 并实现了__call__函数。 该函数返回给定形状和数据类型的所需张量。
class MyInit(tf.keras.initializers.Initializer):def __call__(self, shape, dtypeNone):datatf.random.uniform(shape, -10, 10, dtypedtype)factor(tf.abs(data) 5)factortf.cast(factor, tf.float32)return data * factornet tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(4,activationtf.nn.relu,kernel_initializerMyInit()),tf.keras.layers.Dense(1),
])net(X)
print(net.layers[1].weights[0])tf.Variable dense_13/kernel:0 shape(4, 4) dtypefloat32, numpy
array([[-5.0103664, 6.178299 , 0. , 6.052822 ],[-6.3095307, 6.418064 , -8.592429 , 0. ],[ 8.59478 , -8.356173 , -0. , -0. ],[-0. , 8.881723 , -8.509399 , -0. ]], dtypefloat32)也可以直接设置参数
# assign(42)意味着将这个特定位置的权重值设置为42。
net.layers[1].weights[0][:].assign(net.layers[1].weights[0] 1)
# assign(42)意味着将这个特定位置的权重值设置为42。
net.layers[1].weights[0][0, 0].assign(42)
net.layers[1].weights[0](3)参数绑定
在多个层间共享参数 可以定义一个稠密层然后使用它的参数来设置另一个层的参数。
# tf.keras的表现有点不同。它会自动删除重复层
shared tf.keras.layers.Dense(4, activationtf.nn.relu)
net tf.keras.models.Sequential([tf.keras.layers.Flatten(),shared,shared,tf.keras.layers.Dense(1),
])net(X)
# 检查参数是否不同,查看网络层数。
print(len(net.layers) 3)6.延后初始化
延后初始化就是提前不指定输入维度喂入数据时会自动指定。
到目前为止忽略了建立网络时需要做的以下这些事情
定义了网络架构但没有指定输入维度。添加层时没有指定前一层的输出维度。在初始化参数时甚至没有足够的信息来确定模型应该包含多少参数。
如果不指定输入维度深度学习框架无法判断网络的输入维度是什么。 这里的诀窍是框架的延后初始化defers initialization 即直到数据第一次通过模型传递时框架才会动态地推断出每个层的大小。
在以后当使用卷积神经网络时 由于输入维度即图像的分辨率将影响每个后续层的维数 有了该技术将更加方便。 现在在编写代码时无须知道维度是什么就可以设置参数 这种能力可以大大简化定义和修改模型的任务。
import tensorflow as tfnet tf.keras.models.Sequential([tf.keras.layers.Dense(256, activationtf.nn.relu),tf.keras.layers.Dense(10),
])因为输入维数是未知的所以网络不可能知道输入层权重的维数。 因此框架尚未初始化任何参数通过尝试访问以下参数进行确认。请注意每个层对象都存在但权重为空。 使用net.get_weights()将抛出一个错误因为权重尚未初始化。
[net.layers[i].get_weights() for i in range(len(net.layers))][[], []]将数据通过网络最终使框架初始化参数。
X tf.random.uniform((2, 20))
net(X)
[w.shape for w in net.get_weights()]一旦知道输入维数是20框架可以通过代入值20来识别第一层权重矩阵的形状。 识别出第一层的形状后框架处理第二层依此类推直到所有形状都已知为止。 注意在这种情况下只有第一层需要延迟初始化但是框架仍是按顺序初始化的。
7.自定义层
可以用创造性的方式组合不同的层从而设计出适用于各种任务的架构。例如研究人员发明了专门用于处理图像、文本、序列数据和执行动态规划的层。 有时会遇到或要自己发明一个现在在深度学习框架中还不存在的层在这些情况下必须构建自定义层。
7.1不带参数的层
构造一个没有任何参数的自定义层。下面的CenteredLayer类要从其输入中减去均值。 要构建它只需继承基础层类并实现前向传播功能。
import tensorflow as tfclass CenteredLayer(tf.keras.Model):def __init__(self):super().__init__()def call(self, inputs):return inputs - tf.reduce_mean(inputs)#向该层提供一些数据验证它是否能按预期工作。
layer CenteredLayer()
layer(tf.constant([1, 2, 3, 4, 5]))tf.Tensor: shape(5,), dtypeint32, numpyarray([-2, -1, 0, 1, 2])将层作为组件合并到更复杂的模型中
net tf.keras.Sequential([tf.keras.layers.Dense(128), CenteredLayer()])作为额外的健全性检查可以在向该网络发送随机数据后检查均值是否为0。 由于处理的是浮点数因为存储精度的原因仍然可能会看到一个非常小的非零数。
Y net(tf.random.uniform((4, 8)))
tf.reduce_mean(Y)tf.Tensor: shape(), dtypefloat32, numpy2.561137e-097.2带参数的层
定义具有参数的层 这些参数可以通过训练进行调整。可以使用内置函数来创建参数这些函数提供一些基本的管理功能。 比如管理访问、初始化、共享、保存和加载模型参数。 这样做的好处之一是不需要为每个自定义层编写自定义的序列化程序。
现在实现自定义版本的全连接层。 回想一下该层需要两个参数一个用于表示权重另一个用于表示偏置项。 在此实现中使用修正线性单元作为激活函数。 该层需要输入参数in_units和units分别表示输入数和输出数。
class MyDense(tf.keras.Model):def __init__(self, units):super().__init__()self.units unitsdef build(self, X_shape):self.weight self.add_weight(nameweight,shape[X_shape[-1], self.units],initializertf.random_normal_initializer())self.bias self.add_weight(namebias, shape[self.units],initializertf.zeros_initializer())def call(self, X):linear tf.matmul(X, self.weight) self.biasreturn tf.nn.relu(linear)# 实例化MyDense类并访问其模型参数
dense MyDense(3)
dense(tf.random.uniform((2, 5)))
dense.get_weights()[array([[-0.00381189, -0.03383113, 0.00593808],[ 0.05353226, -0.00501231, 0.0306538 ],[-0.01644411, 0.01026293, 0.02238739],[ 0.01618866, 0.03604672, 0.01572673],[ 0.01472138, 0.01281747, 0.01037676]], dtypefloat32),array([0., 0., 0.], dtypefloat32)]使用自定义层直接执行前向传播计算
dense(tf.random.uniform((2, 5)))tf.Tensor: shape(2, 3), dtypefloat32, numpy
array([[0.02705063, 0.01465103, 0.03184884],[0.05492032, 0.01797221, 0.04979869]], dtypefloat32)使用自定义层构建模型就像使用内置的全连接层一样使用自定义层。
net tf.keras.models.Sequential([MyDense(8), MyDense(1)])
net(tf.random.uniform((2, 64)))tf.Tensor: shape(2, 1), dtypefloat32, numpy
array([[0.],[0.]], dtypefloat32)8.读写文件
8.1加载和保存张量
对于单个张量可以直接调用load和save函数分别读写它们。 这两个函数都要求我们提供一个名称save要求将要保存的变量作为输入。
import numpy as np
import tensorflow as tfx tf.range(4)
np.save(x-file.npy, x)现在可以将存储在文件中的数据读回内存。
x2 np.load(x-file.npy, allow_pickleTrue)
x2array([0, 1, 2, 3])可以存储一个张量列表然后把它们读回内存。
y tf.zeros(4)
np.save(xy-files.npy, [x, y])
x2, y2 np.load(xy-files.npy, allow_pickleTrue)
(x2, y2)(array([0., 1., 2., 3.]), array([0., 0., 0., 0.]))写入或读取从字符串映射到张量的字典。 当要读取或写入模型中的所有权重时这很方便。
mydict {x: x, y: y}
np.save(mydict.npy, mydict)
mydict2 np.load(mydict.npy, allow_pickleTrue)
mydict28.2加载和保存模型参数
保存单个权重向量或其他张量确实有用 但是如果想保存整个模型并在以后加载它们 单独保存每个向量则会变得很麻烦。因此深度学习框架提供了内置函数来保存和加载整个网络。 需要注意的一个重要细节是这将保存模型的参数而不是保存整个模型。当然也是可以保存模型的。
class MLP(tf.keras.Model):def __init__(self):super().__init__()self.flatten tf.keras.layers.Flatten()self.hidden tf.keras.layers.Dense(units256, activationtf.nn.relu)self.out tf.keras.layers.Dense(units10)def call(self, inputs):x self.flatten(inputs)x self.hidden(x)return self.out(x)net MLP()
X tf.random.uniform((2, 20))
Y net(X)将模型的参数存储在一个叫做“mlp.params”的文件中。
net.save_weights(mlp.params)实例化了原始多层感知机模型的一个备份。这里不需要随机初始化模型参数而是直接读取文件中存储的参数。
clone MLP()
clone.load_weights(mlp.params)由于两个实例具有相同的模型参数在输入相同的X时 两个实例的计算结果应该相同。 验证一下
Y_clone clone(X)
Y_clone Ytf.Tensor: shape(2, 10), dtypebool, numpy
array([[False, False, False, False, False, False, False, False, False,False],[False, False, False, False, False, False, False, False, False,False]])9.GPU使用
9.1 指定计算设备
可以指定用于存储和计算的设备如CPU和GPU。 默认情况下张量是在内存中创建的然后使用CPU计算它。
import tensorflow as tf
#查询可用gpu的数量。
print(len(tf.config.experimental.list_physical_devices(GPU)))
tf.device(/CPU:0), tf.device(/GPU:0), tf.device(/GPU:1)定义了两个方便的函数 这两个函数允许在不存在所需所有GPU的情况下运行代码。
def try_gpu(i0): #save如果存在则返回gpu(i)否则返回cpu()if len(tf.config.experimental.list_physical_devices(GPU)) i 1:return tf.device(f/GPU:{i})return tf.device(/CPU:0)def try_all_gpus(): #save返回所有可用的GPU如果没有GPU则返回[cpu(),]num_gpus len(tf.config.experimental.list_physical_devices(GPU))devices [tf.device(f/GPU:{i}) for i in range(num_gpus)]return devices if devices else [tf.device(/CPU:0)]try_gpu(), try_gpu(10), try_all_gpus()9.2张量与GPU
查询张量所在的设备。]默认情况下张量是在CPU上创建的。需要注意的是无论何时要对多个项进行操作 它们都必须在同一个设备上。 例如如果对两个张量求和 需要确保两个张量都位于同一个设备上 否则框架将不知道在哪里存储结果甚至不知道在哪里执行计算。
x tf.constant([1, 2, 3])
x.device1 如何存储在GPU上
有几种方法可以在GPU上存储张量。 例如可以在创建张量时指定存储设备。接 下来在第一个gpu上创建张量变量X。 在GPU上创建的张量只消耗这个GPU的显存。
with try_gpu():X tf.ones((2, 3))
Xtf.Tensor: shape(2, 3), dtypefloat32, numpy
array([[1., 1., 1.],[1., 1., 1.]], dtypefloat32)假设至少有两个GPU下面的代码将在第二个GPU上创建一个随机张量。
with try_gpu(1):Y tf.random.uniform((2, 3))
Y2 复制
如果要计算X Y需要决定在哪里执行这个操作。可以将X传输到第二个GPU并在那里执行操作。 不要简单地X加上Y因为这会导致异常 运行时引擎不知道该怎么做它在同一设备上找不到数据会导致失败。 由于Y位于第二个GPU上所以需要将X移到那里 然后才能执行相加运算。
with try_gpu(1):Y tf.random.uniform((2, 3))
print(Y)with try_gpu(1):Z X
print(X)
print(Z)#现在数据在同一个GPU上Z和Y都在可以将它们相加。
print(Y Z)假设变量Z已经存在于第二个GPU上。 如果仍然在同一个设备作用域下调用Z2 Z会发生什么 它将返回Z而不会复制并分配新内存。
with try_gpu(1):Z2 Z
Z2 is Z9.3神经网络与GPU
类似地不仅变量可以指定GPU设备神经网络模型可以指定GPU设备。
strategy tf.distribute.MirroredStrategy()
with strategy.scope():net tf.keras.models.Sequential([tf.keras.layers.Dense(1)])当输入为GPU上的张量时模型将在同一GPU上计算结果。
net(X)确认模型参数存储在同一个GPU上。
net.layers[0].weights[0].device, net.layers[0].weights[1].device(/job:localhost/replica:0/task:0/device:GPU:0,/job:localhost/replica:0/task:0/device:GPU:0)
