如何使用 TensorFlow v2 进行数据流编程？

Question

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。我可以在网上找到很多关于 TensorFlow v1 的资源，但他们解释的大部分行为现在都已弃用。例如，以下 python 代码在 TensorFlow v1 中运行良好：

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]

这里我把一些python函数转换成了tensorflow操作；我定义了一个图，其中 g 依赖于 e 和 f 而后者又依赖于 a,b,c,d；最后，我执行了一个会话并为 a,b,c,d.

提供了输入

我也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], feed_dict={a:1, b:2, f:12})
print(res) # = [-9.0]

这里，我已经提供了f，而不是它的依赖项c,d。

像这样的东西在 TensorFlow v2 中如何工作（除了导入 tensorflow.compat.v1）？ TensorFlow v2 甚至想过做这样的事情还是只是机器学习？

注意：这与有某种联系，后者处理更复杂的问题。

Answer 1

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。他们想切换到更 pythonic 的做事方式。

其中一个重要的部分是用pythonic方式定义函数，然后用@tf.function装饰它们，让tensorflow生成一个图，提高性能。

"kitchen sink" 将所有内容放入一个大图中然后运行一个会话来满足你的需要的方法在 TF2 中是不鼓励的。

在你的例子中，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

如果你只需要一个大函数，这应该足够了：

# 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,b,c,d):
    e = func1(a, b)
    f = func2(c, d)
    return f

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

你也不需要用@tf.function装饰每个函数，通常用它装饰更大、更昂贵的函数就足够了，所有调用它们的函数都会被转换成一个图作为嗯。

但是，在 TF2 中，没有真正的方法可以完成您在 TF1.x 中可以做的事情，即提供不同的值并从图表中获取不同的输出。

如何使用 TensorFlow v2 进行数据流编程？

How to use TensorFlow v2 for dataflow programming?

python

dataflow

tensorflow

tensorflow2.0