如何使用TensorFlow v2进行数据流编程？

问题描述

我找不到有关如何使用TensorFlow v2进行基本数据流编程的适当文档。我可以在网上找到许多有关TensorFlow v1的资源，但是现在已经弃用了他们解释的许多行为。例如，以下python代码在TensorFlow v1中可以正常工作：

import tensorflow as tf

# Define some helper functions
def func1(a,b):
    return a+b # Or any manipulation of the arguments

def func2(a,b):
    return a*b

def func3(a,b):
    return a-b

# Define a graph; (a,b)-->e,(c,d)-->f,(e,f)-->g
a = tf.placeholder(tf.float64)
b = tf.placeholder(tf.float64)
c = tf.placeholder(tf.float64)
d = tf.placeholder(tf.float64)
e = tf.py_func(func1,[a,b],tf.float64)
f = tf.py_func(func2,[c,d],tf.float64)
g = tf.py_func(func3,[e,f],tf.float64)

# Execute in a session
sess1 = tf.Session()
res = sess1.run([g],feed_dict={a:1,b:2,c:3,d:4})
print(res) # = [-9.0]

这里，我已经将一些python函数转换为tensorflow操作；我定义了一个图，其中g依赖于e，而f依赖于a,b,c,d；最后，我执行了一个会话并为a,d提供了输入。

我还可以避免提供所有输入，而是选择中间节点：

sess2 = tf.Session()
res = sess2.run([g],f:12})
print(res) # = [-9.0]

在这里，我已经提供了f，而不是其依赖项c,d。

在TensorFlow v2中（除了导入tensorflow.compat.v1之外，这样的事情如何工作？ TensorFlow v2甚至被认为可以做这样的事情还是仅仅是机器学习？

注意：这以某种方式连接到this question，后者处理的问题要复杂得多。

解决方法

据我了解，TF 2.0的main motivation摆脱了先定义所有数据流然后在最后调用它的旧样式。他们想改用更蟒蛇的做事方式。

其中一个重要部分是用pythonic方式定义函数，然后用@tf.function装饰它们，以使tensorflow生成图形并提高性能。

在TF2中，不建议使用"kitchen sink"方法将所有内容放到大图中，然后根据您的需要运行会话。

在您的示例中，这看起来像

import tensorflow as tf

# Define some helper functions
def func1(a,b):
    return a+b # Or any manipulation of the arguments

def func2(a,b):
    return a*b

def func3(a,b):
    return a-b

如果您只需要一个大型功能，那就足够了：

# define combined tf function,the decorated ensures a graph is generated.
@tf.function
def tf2_function(a,b,c,d):
    e = func1(a,b)
    f = func2(c,d)
    g = func3(e,f)
    return g

e,f,g = tf2_function(1,2,3,4) # -9

但是，如果您需要获取中间值或提供中间值的选项，那么最好的选择是将函数拆分为两个较小的函数as is recommended by the TF-developers。

@tf.function
def get_f(a,d)
    return f

@tf.function
def get_g_from_e_f(e,f):
    g = func3(e,f)
    return g

您也不需要用@tf.function装饰每个函数，通常用它来装饰较大，更昂贵的函数就足够了，所有称为buy them的函数也将转换为图形。

但是，是的，没有真正的方法可以在TF2中提供不同的值并从图形中获得不同的输出来完成您在TF1.x中可以做的事情。