4-5 AutoGraph和tf.Module
有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph。
TensorFlow 2.0主要使用的是动态计算图和Autograph。
动态计算图易于调试，编码效率较高，但执行效率偏低。
静态计算图执行效率很高，但较难调试。
而Autograph机制可以将动态图转换成静态计算图，兼收执行效率和编码效率之利。
当然Autograph机制能够转换的代码并不是没有任何约束的，有一些编码规范需要遵循，否则可能会转换失败或者不符合预期。
前面我们介绍了Autograph的编码规范和Autograph转换成静态图的原理。
本篇我们介绍使用tf.Module来更好地构建Autograph。
一，Autograph和tf.Module概述
前面在介绍Autograph的编码规范时提到构建Autograph时应该避免在@tf.function修饰的函数内部定义tf.Variable.
但是如果在函数外部定义tf.Variable的话，又会显得这个函数有外部变量依赖，封装不够完美。
一种简单的思路是定义一个类，并将相关的tf.Variable创建放在类的初始化方法中。而将函数的逻辑放在其他方法中。
这样一顿猛如虎的操作之后，我们会觉得一切都如同人法地地法天天法道道法自然般的自然。
惊喜的是，TensorFlow提供了一个基类tf.Module，通过继承它构建子类，我们不仅可以获得以上的自然而然，而且可以非常方便地管理变量，还可以非常方便地管理它引用的其它Module，最重要的是，我们能够利用tf.saved_model保存模型并实现跨平台部署使用。
实际上，tf.keras.models.Model,tf.keras.layers.Layer 都是继承自tf.Module的，提供了方便的变量管理和所引用的子模块管理的功能。
因此，利用tf.Module提供的封装，再结合TensoFlow丰富的低阶API，实际上我们能够基于TensorFlow开发任意机器学习模型(而非仅仅是神经网络模型)，并实现跨平台部署使用。
二，应用tf.Module封装Autograph
定义一个简单的function。
import tensorflow as tf x = tf.Variable(1.0,dtype=tf.float32) #在tf.function中用input_signature限定输入张量的签名类型：shape和dtype @tf.function(input_signature=[tf.TensorSpec(shape = [], dtype = tf.float32)]) def add_print(a): x.assign_add(a) tf.print(x) return(x) add_print(tf.constant(3.0)) #add_print(tf.constant(3)) #输入不符合张量签名的参数将报错 4
下面利用tf.Module的子类化将其封装一下。
class DemoModule(tf.Module): def __init__(self,init_value = tf.constant(0.0),name=None): super(DemoModule, self).__init__(name=name) with self.name_scope: #相当于with tf.name_scope("demo_module") self.x = tf.Variable(init_value,dtype = tf.float32,trainable=True) @tf.function(input_signature=[tf.TensorSpec(shape = [], dtype = tf.float32)]) def addprint(self,a): with self.name_scope: self.x.assign_add(a) tf.print(self.x) return(self.x) #执行 demo = DemoModule(init_value = tf.constant(1.0)) result = demo.addprint(tf.constant(5.0)) 6 #查看模块中的全部变量和全部可训练变量 print(demo.variables) print(demo.trainable_variables) (<tf.Variable 'demo_module/Variable:0' shape=() dtype=float32, numpy=6.0>,) (<tf.Variable 'demo_module/Variable:0' shape=() dtype=float32, numpy=6.0>,) #查看模块中的全部子模块 demo.submodules #使用tf.saved_model 保存模型，并指定需要跨平台部署的方法 tf.saved_model.save(demo,"./data/demo/1",signatures = {"serving_default":demo.addprint}) #加载模型 demo2 = tf.saved_model.load("./data/demo/1") demo2.addprint(tf.constant(5.0)) 11 # 查看模型文件相关信息，红框标出来的输出信息在模型部署和跨平台使用时有可能会用到 !saved_model_cli show --dir ./data/demo/1 --all
在tensorboard中查看计算图，模块会被添加模块名demo_module,方便层次化呈现计算图结构。
import datetime # 创建日志 stamp = datetime.datetime.now().strftime("%Y%m%d-%H%M%S") logdir = './data/demomodule/%s' % stamp writer = tf.summary.create_file_writer(logdir) #开启autograph跟踪 tf.summary.trace_on(graph=True, profiler=True) #执行autograph demo = DemoModule(init_value = tf.constant(0.0)) result = demo.addprint(tf.constant(5.0)) #将计算图信息写入日志 with writer.as_default(): tf.summary.trace_export( name="demomodule", step=0, profiler_outdir=logdir) #启动 tensorboard在jupyter中的魔法命令 %reload_ext tensorboard from tensorboard import notebook notebook.list() notebook.start("--logdir ./data/demomodule/")
除了利用tf.Module的子类化实现封装，我们也可以通过给tf.Module添加属性的方法进行封装。
mymodule = tf.Module() mymodule.x = tf.Variable(0.0) @tf.function(input_signature=[tf.TensorSpec(shape = [], dtype = tf.float32)]) def addprint(a): mymodule.x.assign_add(a) tf.print(mymodule.x) return (mymodule.x) mymodule.addprint = addprint mymodule.addprint(tf.constant(1.0)).numpy() 1.0 print(mymodule.variables) (<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=0.0>,) #使用tf.saved_model 保存模型 tf.saved_model.save(mymodule,"./data/mymodule", signatures = {"serving_default":mymodule.addprint}) #加载模型 mymodule2 = tf.saved_model.load("./data/mymodule") mymodule2.addprint(tf.constant(5.0)) INFO:tensorflow:Assets written to: ./data/mymodule/assets 5
三，tf.Module和tf.keras.Model，tf.keras.layers.Layer
tf.keras中的模型和层都是继承tf.Module实现的，也具有变量管理和子模块管理功能。
import tensorflow as tf from tensorflow.keras import models,layers,losses,metrics print(issubclass(tf.keras.Model,tf.Module)) print(issubclass(tf.keras.layers.Layer,tf.Module)) print(issubclass(tf.keras.Model,tf.keras.layers.Layer)) True True True tf.keras.backend.clear_session() model = models.Sequential() model.add(layers.Dense(4,input_shape = (10,))) model.add(layers.Dense(2)) model.add(layers.Dense(1)) model.summary() Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= dense (Dense) (None, 4) 44 _________________________________________________________________ dense_1 (Dense) (None, 2) 10 _________________________________________________________________ dense_2 (Dense) (None, 1) 3 ================================================================= Total params: 57 Trainable params: 57 Non-trainable params: 0 _________________________________________________________________ model.variables [<tf.Variable 'dense/kernel:0' shape=(10, 4) dtype=float32, numpy= array([[-0.06741005, 0.45534766, 0.5190817 , -0.01806331], [-0.14258742, -0.49711505, 0.26030976, 0.18607801], [-0.62806034, 0.5327399 , 0.42206633, 0.29201728], [-0.16602087, -0.18901917, 0.55159235, -0.01091868], [ 0.04533798, 0.326845 , -0.582667 , 0.19431782], [ 0.6494713 , -0.16174704, 0.4062966 , 0.48760796], [ 0.58400524, -0.6280886 , -0.11265379, -0.6438277 ], [ 0.26642334, 0.49275804, 0.20793378, -0.43889117], [ 0.4092741 , 0.09871006, -0.2073121 , 0.26047975], [ 0.43910992, 0.00199282, -0.07711256, -0.27966842]], dtype=float32)>, <tf.Variable 'dense/bias:0' shape=(4,) dtype=float32, numpy=array([0., 0., 0., 0.], dtype=float32)>, <tf.Variable 'dense_1/kernel:0' shape=(4, 2) dtype=float32, numpy= array([[ 0.5022683 , -0.0507431 ], [-0.61540484, 0.9369011 ], [-0.14412141, -0.54607415], [ 0.2027781 , -0.4651153 ]], dtype=float32)>, <tf.Variable 'dense_1/bias:0' shape=(2,) dtype=float32, numpy=array([0., 0.], dtype=float32)>, <tf.Variable 'dense_2/kernel:0' shape=(2, 1) dtype=float32, numpy= array([[-0.244825 ], [-1.2101456]], dtype=float32)>, <tf.Variable 'dense_2/bias:0' shape=(1,) dtype=float32, numpy=array([0.], dtype=float32)>] model.layers[0].trainable = False #冻结第0层的变量,使其不可训练 model.trainable_variables [<tf.Variable 'dense_1/kernel:0' shape=(4, 2) dtype=float32, numpy= array([[ 0.5022683 , -0.0507431 ], [-0.61540484, 0.9369011 ], [-0.14412141, -0.54607415], [ 0.2027781 , -0.4651153 ]], dtype=float32)>, <tf.Variable 'dense_1/bias:0' shape=(2,) dtype=float32, numpy=array([0., 0.], dtype=float32)>, <tf.Variable 'dense_2/kernel:0' shape=(2, 1) dtype=float32, numpy= array([[-0.244825 ], [-1.2101456]], dtype=float32)>, <tf.Variable 'dense_2/bias:0' shape=(1,) dtype=float32, numpy=array([0.], dtype=float32)>] model.submodules (<tensorflow.python.keras.engine.input_layer.InputLayer at 0x144d8c080>, <tensorflow.python.keras.layers.core.Dense at 0x144daada0>, <tensorflow.python.keras.layers.core.Dense at 0x144d8c5c0>, <tensorflow.python.keras.layers.core.Dense at 0x144d7aa20>) model.layers [<tensorflow.python.keras.layers.core.Dense at 0x144daada0>, <tensorflow.python.keras.layers.core.Dense at 0x144d8c5c0>, <tensorflow.python.keras.layers.core.Dense at 0x144d7aa20>] print(model.name) print(model.name_scope()) sequential sequential
