Google开发者大会：你不得不知的Tensorflow小技巧

Google Development Days China 2018近日在中国召开了。很是遗憾，小编由于不可抗性因素滞留在合肥，没办法去参加。可是小编的朋友有幸参加了会议，带来了关于tensorlfow的一手资料。这里跟随小编来关注tensorflow在生产环境下的最佳应用状况。

Google Brain软件工程师冯亦菲为咱们带来了题为“用Tensorflow高层API来进行模型原型设计、训练和生产投入”的精彩报告。

冯亦菲姐姐给咱们讲了一些tensorflwo的新的API的变更，最重要的是提出了一些使用tensorflow的建议。

总结出来有六个方面，分别是：

• 用Eager模式搭建原型

• 用Datasets处理数据

• 用Feature Columns提取特征

• 用Keras搭建模型

• 借用Canned Estimators

• 用SavedModel打包模型

下面咱们依次来了解下这六个方面。

用Eager模式搭建原型

做为计算机界的一份子，咱们知道静态图的效率天然是快快的，可是动态图的使用为咱们的使用带来的不少方便。17年的时候，各大框架动态图大行其道，因而Google提出了tf.contrib.eager应对挑战。

使用Eager有什么好处呢？回想以前咱们在调试tensorflow的程序时，不得不使用sess.run()，麻烦的要死，而使用Eager就能够直接的将变量打印出来，大大方便了咱们的调试；好处不止这么多，在进行模型搭建的时候，之前咱们须要仔细考虑下Tensor的shape，一旦出错要定位也很不容易。而使用Eager能够一边搭建网络结构，一边将shape打印出来确认下是否正确。这就使咱们在搭建网络时更加方面快捷了；此外，使用Eager后，自定义Operation和Gradient也会方便不少。

下面举个简单的小例子。首先使用pip install tf-nightly（或GPU版本pip install tf-nightly-gpu）来安装Eager。

import tensorflow as tfimport tensorflow.contrib.eager as tfetfe.enable_eager_execution() #开启Eager模式a = tf.constant([5], dtype=tf.int32)for i in range(a):   print (i)
复制代码

使用Eager后咱们能够很顺利的执行上述代码。可是若是没有Eager，就会报Tensor对象不能解释为integer的错误。从缺点上来说，Eager的引入也势必形成额外的成本。

用Datasets处理数据

tensorflow的数据读入有三种方式：经过feeding的方式；经过管道（pipeline）的方式；直接读取变量或常量中保存的数据。Datasets属于上面提出的第二种方式，能够简化数据输入过程，并且可以提升数据的读入效率。

Datasets的组成如上如所示。其中：

• Dataset：建立和转换数据集的基本；

• TextLineDataset：从文本文件中读取行；

• TFRecordDataset：读取TFRecord文件；

• FixedLengthRecordDataset：从二进制文件读取固定大小的记录；

• Iterator：提供一种一次访问一个数据集元素的方法。

对于Datasets的使用，咱们可使用Dataset的子类提供的方法，也能够直接使用基类的方法：tf.data.Dataset.from_tensors()或者tf.data.Dataset.from_tensor_slices()。

用Feature Columns提取特征

Feature Columns其实是一个数据结构，一个用于描述特征的数据结构。利用Feature Columns能够很方便的对输入训练模型前的特征进行处理。好比鸢尾花的识别，对于输入数据，每列表示不一样的特征，如花瓣的长度，花萼的长度等等，咱们想要对不一样的列分别进行处理（或者对全部的列进行处理），使用Feature Columns就能够轻松的实现。

如上图所示，Feature Columns造成了对输入数据集的结构性描述。能够方便咱们对每列数据进行处理，并且使得代码的可读性更强。

用Keras搭建模型

想必你们对Keras已经比较了解了，使用Keras来构建一个神经网络，简直是飞通常地速度，并且完美的兼容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'))
复制代码

构建一个模型就是如上面这么简单，并且调用API中定义好的模型更是只须要一句话，极其的方便。

借用Canned Estimators

Estimators API提供了模型选择、评估、训练等一些列功能。在1.3版本后，Google又增长了一层，称之为Canned Estimators。只须要一行代码就可以建立深度模型。Estimators能够结合上面提到的Feature Columns一块儿使用。

tf.estimator.Estimator是基类；Pre-made Estimators是基类的子类，是已经定义好的模型，咱们能够直接拿来使用；Custom Estimators是基类的实列，并非定义好的，须要咱们本身实现模型的定义。

对于这里的模型，由三部分组成：

• Input function：输入函数，即咱们前面所说的Datasets，对于数据进行表示；

• Model function: 实验模型的训练、验证、测试以及监控模型的参数；

• Estimators: 控制数据流以及模型的各类运算。

用SavedModel打包模型

相比于tensorflow原版的tf.train.Saver保存模型的方式，SavedModel提供了更好的将模型部署到生成环境的手段，更适用于商业目的。

如上图右下方部分，在使用SavedModel打包模型时，能够产生两种模型：

对应于第一种模型，Tensorflow Model Analysis能够方便咱们对模型进行分析，是否是存在参数的问题，抑或是模型哪里设计的不合适等等；经过分析后，感受模型不错，咱们就能够经过Tensorflow Serving进行部署。

此外，相比于Saver的方式，咱们在inference时不须要再从新定义Graph（模型），若是使用Saver的话，在使用该模型时就须要再定义该模型，若是是一个程序猿设计并使用的还好，若是换成另外一个猿去用这个模型，他又不知道模型的tensor的状况，那就尴尬了。因此使用SavedModel可让咱们更轻松地去使用模型。

总结

Google Developer Days给咱们提供了一场盛宴，但愿和你们一块儿学习其中的知识。若是能够，请为这篇文章点个赞吧。听说点赞的都能进Google。

阅读更多

react-native技术的优劣

 一招教你读懂JVM和Dalvik之间的区别

NDK项目实战—高仿360手机助手之卸载监听

（Android）面试题级答案（精选版）

非科班出身程序员：如何获取职业资源、进入好公司？

相信本身，没有作不到的，只有想不到的

在这里得到的不只仅是技术！