摘要：近日在中國召開了。軟件工程師馮亦菲為我們帶來了題為用高層來進(jìn)行模型原型設(shè)計訓(xùn)練和生產(chǎn)投入的精彩報告。馮亦菲姐姐給我們講了一些的新的的變動，最重要的是提出了一些使用的建議。但是如果沒有，就會報對象不能解釋為的錯誤。

Google Development Days China 2018近日在中國召開了。非常遺憾，小編因為不可抗性因素滯留在合肥，沒辦法去參加。但是小編的朋友有幸參加了會議，帶來了關(guān)于tensorlfow的一手資料。這里跟隨小編來關(guān)注tensorflow在生產(chǎn)環(huán)境下的最佳應(yīng)用情況。

Google Brain軟件工程師馮亦菲為我們帶來了題為“用Tensorflow高層API來進(jìn)行模型原型設(shè)計、訓(xùn)練和生產(chǎn)投入”的精彩報告。

馮亦菲姐姐給我們講了一些tensorflwo的新的API的變動，最重要的是提出了一些使用tensorflow的建議。

總結(jié)出來有六個方面，分別是：

用Eager模式搭建原型

用Datasets處理數(shù)據(jù)

用Feature Columns提取特征

用Keras搭建模型

借用Canned Estimators

用SavedModel打包模型

下面我們依次來了解下這六個方面。

用Eager模式搭建原型

作為計算機(jī)界的一份子，我們知道靜態(tài)圖的效率自然是快快的，但是動態(tài)圖的使用為我們的使用帶來的很多方便。17年的時候，各大框架動態(tài)圖大行其道，于是Google提出了tf.contrib.eager應(yīng)對挑戰(zhàn)。

使用Eager有什么好處呢？回想之前我們在調(diào)試tensorflow的程序時，不得不使用sess.run()，麻煩的要死，而使用Eager就可以直接的將變量打印出來，大大方便了我們的調(diào)試；好處不止這么多，在進(jìn)行模型搭建的時候，以前我們需要仔細(xì)考慮下Tensor的shape，一旦出錯要定位也很不容易。而使用Eager可以一邊搭建網(wǎng)絡(luò)結(jié)構(gòu)，一邊將shape打印出來確認(rèn)下是否正確。這就使我們在搭建網(wǎng)絡(luò)時更加方面快捷了；此外，使用Eager后，自定義Operation和Gradient也會方便很多。

下面舉個簡單的小例子。首先使用pip install tf-nightly（或GPU版本pip install tf-nightly-gpu）來安裝Eager。

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

使用Eager后我們可以很順利的執(zhí)行上述代碼。但是如果沒有Eager，就會報Tensor對象不能解釋為integer的錯誤。從缺點(diǎn)上來講，Eager的引入也勢必造成額外的成本。

用Datasets處理數(shù)據(jù)

tensorflow的數(shù)據(jù)讀入有三種方式：通過feeding的方式；通過管道（pipeline）的方式；直接讀取變量或常量中保存的數(shù)據(jù)。Datasets屬于上面提出的第二種方式，可以簡化數(shù)據(jù)輸入過程，而且能夠提高數(shù)據(jù)的讀入效率。

Datasets的組成如上如所示。其中：

Dataset：創(chuàng)建和轉(zhuǎn)換數(shù)據(jù)集的基本；

TextLineDataset：從文本文件中讀取行；

TFRecordDataset：讀取TFRecord文件；

FixedLengthRecordDataset：從二進(jìn)制文件讀取固定大小的記錄；

Iterator：提供一種一次訪問一個數(shù)據(jù)集元素的方法。

對于Datasets的使用，我們可以使用Dataset的子類提供的方法，也可以直接使用基類的方法：tf.data.Dataset.from_tensors()或者tf.data.Dataset.from_tensor_slices()。

用Feature Columns提取特征

Feature Columns實際上是一個數(shù)據(jù)結(jié)構(gòu)，一個用于描述特征的數(shù)據(jù)結(jié)構(gòu)。利用Feature Columns可以很方便的對輸入訓(xùn)練模型前的特征進(jìn)行處理。比如鳶尾花的識別，對于輸入數(shù)據(jù)，每列表示不同的特征，如花瓣的長度，花萼的長度等等，我們想要對不同的列分別進(jìn)行處理（或者對所有的列進(jìn)行處理），使用Feature Columns就可以輕松的實現(xiàn)。

如上圖所示，F(xiàn)eature Columns形成了對輸入數(shù)據(jù)集的結(jié)構(gòu)性描述。可以方便我們對每列數(shù)據(jù)進(jìn)行處理，而且使得代碼的可讀性更強(qiáng)。

用Keras搭建模型

想必大家對Keras已經(jīng)比較了解了，使用Keras來構(gòu)建一個神經(jīng)網(wǎng)絡(luò)，簡直是飛一般地速度，而且完美的兼容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"))

構(gòu)建一個模型就是如上面這么簡單，而且調(diào)用API中定義好的模型更是只需要一句話，極其的方便。

借用Canned Estimators

Estimators API提供了模型選擇、評估、訓(xùn)練等一些列功能。在1.3版本后，Google又增加了一層，稱之為Canned Estimators。只需要一行代碼就能夠創(chuàng)建深度模型。Estimators可以結(jié)合上面提到的Feature Columns一起使用。

tf.estimator.Estimator是基類；Pre-made Estimators是基類的子類，是已經(jīng)定義好的模型，我們可以直接拿來使用；Custom Estimators是基類的實列，并不是定義好的，需要我們自己實現(xiàn)模型的定義。

對于這里的模型，由三部分組成：

Input function：輸入函數(shù)，即我們前面所說的Datasets，對于數(shù)據(jù)進(jìn)行表示；

Model function: 實驗?zāi)Ｐ偷挠?xùn)練、驗證、測試以及監(jiān)控模型的參數(shù)；

Estimators: 控制數(shù)據(jù)流以及模型的各種運(yùn)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提供了更好的將模型部署到生成環(huán)境的手段，更適用于商業(yè)目的。

如上圖右下方部分，在使用SavedModel打包模型時，可以產(chǎn)生兩種模型：

對應(yīng)于第一種模型，Tensorflow Model Analysis可以方便我們對模型進(jìn)行分析，是不是存在參數(shù)的問題，抑或是模型哪里設(shè)計的不合適等等；通過分析后，感覺模型不錯，我們就可以通過Tensorflow Serving進(jìn)行部署。

此外，相比于Saver的方式，我們在inference時不需要再重新定義Graph（模型），如果使用Saver的話，在使用該模型時就需要再定義該模型，如果是一個程序猿設(shè)計并使用的還好，如果換成另一個猿去用這個模型，他又不知道模型的tensor的情況，那就尷尬了。所以使用SavedModel可以讓我們更輕松地去使用模型。

Google Developer Days給我們提供了一場盛宴，希望和大家一起學(xué)習(xí)其中的知識。如果可以，請為這篇文章點(diǎn)個贊吧。據(jù)說點(diǎn)贊的都能進(jìn)Google。

react-native技術(shù)的優(yōu)劣

?一招教你讀懂JVM和Dalvik之間的區(qū)別

NDK項目實戰(zhàn)—高仿360手機(jī)助手之卸載監(jiān)聽

（Android）面試題級答案（精選版）

非科班出身程序員：如何獲取職業(yè)資源、進(jìn)入好公司？

在這里獲得的不僅僅是技術(shù)！