tensorflow2.0系列（5）：再说说tf.function

最新推荐文章于 2024-03-05 17:03:28 发布

lxy_Alex

最新推荐文章于 2024-03-05 17:03:28 发布

阅读量5k

点赞数

分类专栏： tensorflow 文章标签： tensorflow 深度学习 python

本文链接：https://blog.csdn.net/happyhorizion/article/details/104070907

版权

本文深入探讨了tf.function在TensorFlow 2.0中的作用，包括它如何通过Autograph加速计算，以及在处理变量和控制流程时的注意事项。示例展示了tf.function在处理变量时可能导致的错误，并提供了解决方案。同时，文章提到了tf.function与Python类的super和__init__()之间的关系，引导读者进一步了解Python面向对象编程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

tf.function()

tf1.x中一般的工作流程，就是先创建一个计算图，然后通过tf.Session对图进行计算。例如：


g = tf.Graph()

with g.as_default():

    a = tf.constant(...)

    x = tf.constant(...)

    b = tf.Variable(..)

    y = tf.matmul(a, x) + b

    init_op = tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init_op)

    print(sess.run(y))

eager execution带来的改变就是，正如大家多次听说的那样，用户不再需要直接定义计算图或者通过tf.Session来执行代码，也不需要调用tf.global_variables_initializer去初始化变量或者通过tf.control_dependencies去执行计算图中没有包含的节点。

a = tf.constant([[10,10],[11.,1.]])
x = tf.constant([[1.,0.],[0.,1.]])
b = tf.Variable(12.)
y = tf.matmul(a, x) + b
print(y.numpy())

但是也带来了执行效率低的问题，因为代码需要依赖Python的解释器来进行计算，无法对数据流以及计算图进行优化．