页面树结构

2017-11-09 ApacheCN 开源组织,第二期邀请成员活动,一起走的更远 : http://www.apachecn.org/member/209.html


MachineLearning 优酷地址 : http://i.youku.com/apachecn

转至元数据结尾
转至元数据起始

我们欢迎来自社区的Tensorflow文档的贡献。本文档介绍了如何为该文档做出贡献。特别地,本文档解释了以下内容:

  • 文件所在位置。
  • 如何进行一致的编辑。
  • 在提交文档之前如何构建和测试您的文档更改。

您可以在tensorflow.org上查看Tensorflow文档,您可以在Github上查看和编辑原始文件。

 

版本说明

tensorflow.org,在root显示最新的稳定二进制文件。如果您正在使用pip安装TensorFlow,这是您应该阅读的文档。

然而,大多数开发人员将向Github主分支提供文档,该分支偶尔会在tensorflow.org/versions/master上发布

如果希望文档更改显示在根目录下,您还需要将该更改提交给当前稳定的二进制分支(和/或 cherrypick)。

 

参考文献与非参考文献

以下参考文档由代码中的注释自动生成:

  • C ++ API参考文档
  • Java API参考文档
  • Python API参考文档

要修改参考文档,请编辑相应的代码注释。

非参考文档(例如,TensorFlow安装指南)由人类创作。该文档位于tensorflow/docs_src 目录中。每个子目录docs_src包含一组相关的Tensorflow文档。例如,TensorFlow安装指南全部在 docs_src/install目录中。

C ++文档是通过doxygen生成的XML文件生成的; 但是,这些工具目前在开放源代码中不可用。

 

Markdown

可编辑的TensorFlow文档是用Markdown编写的。除了少数例外,TensorFlow使用标准的Markdown规则

本节介绍标准的Markdown规则与可编辑TensorFlow文档使用的Markdown规则之间的主要区别。

Markdown中的数学

编辑Markdown文件时,您可以在TensorFlow中使用MathJax,但请注意以下事项:

当写MathJax,你可以用$$\\(\\)包围你的数学。 $$守卫会导致换行符,所以在文本中使用\\( \\)

Markdown中的链接

链接分为几类:

  • 链接到同一文件的不同部分
  • 链接到tensorflow.org之外的URL
  • 从Markdown文件(或代码注释)到tensorflow.org中的另一个文件的链接

对于前两个链接类别,您可以使用标准的Markdown链接,但将链接完全放在一行上,而不是跨线分割。例如:

  • [text](link) # Good link
  • [text]\n(link) # Bad link
  • [text](\nlink) # Bad link

对于最终链接类别(在tensorflow.org中的另一个文件的链接),请使用特殊的链接参数化机制。这种机制使作者能够移动和重新组织文件,而不会中断链接。

参数化方案如下。使用:

  • @{tf.symbol}链接到Python符号的参考页面。请注意,类成员没有自己的页面,但语法仍然有效,因为@{tf.MyClass.method}链接到tf.MyClass页面的正确部分。

  • @{tensorflow::symbol} 链接到C ++符号的参考页面。

  • @{$doc_page}链接到另一个(不是API参考)文档页面。链接到

    • red/green/blue/index.md使用@{$blue}或 @{$green/blue}

    • foo/bar/baz.md使用@{$baz}或 @{$bar/baz}

    较短的一个是首选的,所以我们可以在不打破这些引用的情况下移动页面。主要的例外是应该引用Python API指南来避免歧义。@{$python/} 

  • @{$doc_page#anchor-tag$link-text} 链接到该文档中的锚点并使用不同的链接文本(默认情况下,链接文本是目标页面的标题)。

    要覆盖链接文本,请忽略#anchor-tag

要链接到源代码,请使用以:开头的链接 https://www.github.com/tensorflow/tensorflow/blob/r1.1/,后跟文件名从github根开始。例如,您正在阅读的文件的链接应写为https://www.github.com/tensorflow/tensorflow/blob/r1.1/tensorflow/docs_src/community/documentation.md

此URL命名方案确保tensorflow.org可以将链接转发到与您正在查看的文档版本相对应的代码的分支。不要在源代码URL中包含url参数。

 

生成文档和预览链接

在构建文档之前,您必须首先通过执行以下操作来设置环境:

 

  • 1.如果您的计算机上未安装pip,请通过发出以下命令现在安装:

    $ sudo easy_install pip
  • 2.使用pip通过发出以下命令来安装codegen,mock和pandas(注意:如果您正在使用virtualenv来管理依赖项,则可能不需要对这些安装使用sudo):

    $ sudo pip install codegen mock pandas
  • 3.如果您的机器上没有安装bazel,请立即安装。如果您在Linux上,请通过发出以下命令来安装bazel:

    $ sudo apt-get install bazel  # Linux

         如果您在Mac OS上,请在此页面上找到bazel安装说明 。

  • 4.将目录更改为tensorflowTensorFlow源代码的顶级目录。
  • 5.运行configure脚本并适当地回答系统的提示。

    $ ./configure

然后,更改到tensorflow包含docs_srccd tensorflow)的目录。运行以下命令来编译TensorFlow并在/tmp/tfdocsdir中生成文档:

bazel run tools/docs:generate -- \
          --src_dir=`pwd`/tensorflow/docs_src/ \
          --output_dir=/tmp/tfdocs/

注意:您必须设置src_diroutput_dir绝对文件路径。

生成Python API文档

操作,类和实用程序函数在Python模块中定义,例如 image_ops.py。Python模块包含一个模块docstring。例如:

"""Image processing and decoding ops."""
文档生成器将该模块的docstring放在为模块生成的Markdown文件的开始处,在这种情况下为tf.image

它曾经是一个要求,列出模块文件中的@@每个成员的开头,放在每个成员之前。该@@member_name 语法已被弃用,不再产生任何文档。但是,根据模块的封装方式,仍然可能需要将模块内容的元素标记为公开。被调出的op,函数或类不必在同一个文件中定义。本文档的下几个部分将讨论密封以及如何向公共文档添加元素。

新的文档系统自动记录公共符号,除了以下内容:

  • 名称以下划线开头的私人符号。
  • 最初在object或原型中定义的符号Message
  • 一些类成员,如__base____class__,这是动态创建的,但一般不具有有用的文档。

只需要在生成脚本中手动添加顶级模块(目前只有tftfdbg)。

密封模块

因为文档生成器会移动所有可见的符号,并且下降到任何它找到的东西,它会记录任何意外的符号。如果一个模块仅公开了旨在成为公共API一部分的符号,我们称之为 密封。由于Python的宽松导入和可见性约定,天真写的Python代码将无意中暴露出许多实现细节的模块。不正确密封的模块可能暴露其他未密封的模块,这通常会导致文档生成器失败。这种失败是预期的行为。它确保我们的API定义明确,并允许我们更改实施细节(包括哪些模块导入到哪里),而不用担心意外中断用户。

如果模块意外导入,则通常会中断文档生成器(generate_test)。这是您密封模块所需的明确标志。但是,即使文档生成器成功,文档中也会显示不需要的符号。检查生成的文档,以确保所有记录的符号是预期的。如果有符号不应该在那里,您有以下选项来处理它们:

  • 私人符号和进口
  • remove_undocumented过滤器
  • 遍历黑名单。

我们将在下面详细讨论这些选项。

私人符号和进口

符合API密封期望的最简单方法是使非公开符号为私有(通过前缀下划线_)。文档生成器尊重私有符号。这也适用于模块。如果唯一的问题是文档中显示的少量导入的模块(或破坏生成器),您可以在导入时简单地重命名它们,例如:

import sys as _sys

 

因为Python认为所有文件都是模块,所以这也适用于文件。如果您有一个包含以下两个文件/模块的目录:

module/__init__.py
module/private_impl.py

然后,module导入后,可以访问 module.private_impl。重命名private_impl.py_private_impl.py解决问题。如果重命名模块尴尬,请继续阅读。

使用remove_undocumented过滤器

封装模块的另一种方法是将您的实现从API中分离出来。为此,请考虑使用remove_undocumented,其中包含允许的符号列表,并从模块中删除其他所有内容。例如,以下代码段演示了如何remove_undocumented__init__.py文件放入模块中:

init .py:

# Use * imports only if __all__ defined in some_file
from tensorflow.some_module.some_file import *

# Otherwise import symbols directly
from tensorflow.some_module.some_other_file import some_symbol

from tensorflow.platform.all_util import remove_undocumented

_allowed_symbols = [‘some_symbol’, ‘some_other_symbol’]

remove_undocumented(__name__, allowed_exception_list=_allowed_symbols)

@@member_name语法已过时,但它仍然在文档中的某些地方存在为指标,remove_undocumented这些符号是公开的。所有@@的都将最终被删除。但是,如果您看到它们,请不要随机删除它们,因为我们的某些系统仍在使用它们。

穿行黑名单

如果其他所有失败,您可以在遍历黑名单中添加条目 generate_lib.py. 几乎所有列表中的所有条目都是滥用其目的; 如果可以的话避免加入

遍历黑名单将合格的模块名称(不带前缀)映射tf.到不被下载到的本地名称。例如,以下条目将从遍历中排除some_module

{ ...
  ‘contrib.my_module’: [‘some_module’]
  ...
} 

 

这意味着文档生成器将显示它的some_module存在,但它不会枚举其内容。

这个黑名单最初是为了确保用于平台抽象的系统模块(模拟,标志,...)可以被记录下来,而无需记录其内部空间。它超出此目的的用途是对于contrib而言可以接受的捷径,而不是核心张量流。

 

操作文档样式指南

模块的长期描述性模块级文档应该在API指南中docs_src/api_guides/python

对于课堂和操作,理想情况下,您应按照演示顺序提供以下信息:

  • 一个简短的句子,描述了op的作用。
  • 当您将参数传递给操作时会发生什么的简短描述。
  • 显示操作如何(伪代码最好)的示例。
  • 要求,注意事项,重要说明(如有)。
  • op构造函数的输入,输出和Attrs或其他参数的描述。

这些中的每一个在下面更详细地描述

以Markdown格式写下您的文字。这里有一个基本的语法参考。您可以使用MathJax的方程式(见上文有关限制)。

写关于代码

在文字中使用这些东西时,请反驳:

  • 参数名称(例如,inputxtensor
  • 回到张量名称(例如outputidxout
  • 数据类型(例如,int32floatuint8
  • 文本中引用的其他op名称(例如list_diff()shuffle()
  • 类名(例如,Tensor当你实际上意味着一个Tensor对象时;如果你刚刚解释一个操作对张量,一个图形或一个操作的操作,那么不要大写或使用反引号)
  • 文件名(例如image_ops.py,或 /path-to-your-data/xml/example-name
  • 数学表达式或条件(例如-1-input.dims() <= dim <= input.dims()

在示例代码和伪代码示例中放置三个反引号。而==> 当您想要显示操作返回时,使用而不是单个等号。例如:

```
# 'input' is a tensor of shape [2, 3, 5]
(tf.expand_dims(input, 0)) ==> [1, 2, 3, 5]
``` 

如果您提供了Python代码示例,请添加python样式标签,以确保正确的语法突出显示:

```python
# some Python code
```
 

有关Markdown代码示例的反引号的两个注释:

  1. 如果需要,您可以使用backticks作为除Python之外的漂亮打印语言。语言的完整列表,请 点击这里
  2. Markdown还允许您缩进四个空格来指定代码示例。但是,请勿缩进四个空格并同时使用反引号。使用一个或另一个。

张量尺寸

当你在谈论一般张量时,不要把这个词放大。当你在谈论提供给op作为参数或由op返回的特定对象时,你应该使用Tensor这个词,并在其周围添加反引号,因为你在谈论一个Tensor对象。

不要使用这个词Tensors来描述多个Tensor对象,除非你真的在谈论一个Tensors对象。更好地说“ Tensor 物品清单”。

使用术语“维度”来表示张量的大小。如果您需要具体关于大小,请使用以下约定:

  • 参考标量为“0-D张量”
  • 参考矢量作为“1-D张量”
  • 参考矩阵为“2-D张量”
  • 参考具有3维或更多维度的张量作为3-D张量或nD张量。只有在有意义的时候才使用“rank”这个词,而是尝试使用“dimension”。不要使用单词“order”来描述张量的大小。

使用“形状”一词来详细说明张量的尺寸,并用反引号显示方括号中的形状。例如:

If `input` is a 3-D tensor with shape `[3, 4, 3]`, this operation
returns a 3-D tensor with shape `[6, 8, 6]`.

在C ++中定义的操作

所有在C ++中定义的操作(并且可以从其他语言访问)必须用声明来REGISTER_OP记录。处理C ++文件中的docstring会自动为输入类型,输出类型和Attr类型以及默认值添加一些信息。

例如:

```c++
REGISTER_OP("PngDecode")
  .Input("contents: string")
  .Attr("channels: int = 0")
  .Output("image: uint8")
  .Doc(R"doc(
Decodes the contents of a PNG file into a uint8 tensor.

contents: PNG file contents.
channels: Number of color channels, or 0 to autodetect based on the input.
  Must be 0 for autodetect, 1 for grayscale, 3 for RGB, or 4 for RGBA.
  If the input has a different number of channels, it will be transformed
  accordingly.
image:= A 3-D uint8 tensor of shape `[height, width, channels]`.
  If `channels` is 0, the last dimension is determined
  from the png contents.
)doc");
``` 

结果在这片Markdown:

### tf.image.png_decode(contents, channels=None, name=None) {#png_decode}

Decodes the contents of a PNG file into a uint8 tensor.

#### Args:

*  <b>contents</b>: A string Tensor. PNG file contents.
*  <b>channels</b>: An optional int. Defaults to 0.
   Number of color channels, or 0 to autodetect based on the input.
   Must be 0 for autodetect, 1 for grayscale, 3 for RGB, or 4 for RGBA.  If the
   input has a different number of channels, it will be transformed accordingly.
*  <b>name</b>: A name for the operation (optional).

#### Returns:
A 3-D uint8 tensor of shape `[height, width, channels]`.  If `channels` is
0, the last dimension is determined from the png contents. 
自动添加大部分参数说明。特别是,doc生成器自动添加所有输入,attrs和输出的名称和类型。在上面的例子中,<b>contents</b>: A string Tensor.被自动添加。您应该写下您的附加文字,以便在该描述之后自然流动。

对于输入和输出,您可以使用等号对其他文本前缀,以防止自动添加的名称和类型。在上面的例子中,命名image开始的描述是=为了防止A uint8 Tensor.在我们的文本之前添加A 3-D uint8 Tensor...。您不能以这种方式阻止添加attrs的名称,类型和默认值,因此请仔细阅读文本。

在Python中定义的操作

如果您的op在python/ops/*.py文件中定义,则需要为所有参数和输出(返回)张量提供文本。doc生成器不会自动生成Python中定义的op的任何文本,所以你写的是你所得到的。

您应该符合通常的Python docstring约定,但您应该在文档字符串中使用Markdown。

这是一个简单的例子:

def foo(x, y, name="bar"):
  """Computes foo.

  Given two 1-D tensors `x` and `y`, this operation computes the foo.

  Example:

  # x is [1, 1]
  # y is [2, 2]
  tf.foo(x, y) ==> [3, 3]
>     Args:
>       x: A `Tensor` of type `int32`.
>       y: A `Tensor` of type `int32`.
>       name: A name for the operation (optional).
>     
>     Returns:
>       A `Tensor` of type `int32` that is the foo of `x` and `y`.
>     
>     Raises:
>       ValueError: If `x` or `y` are not of type `int32`.
>     """

Docstring部分的描述

本节详细介绍了docstrings中的每个元素。

描述操作的简短句子

例子:

Concatenates tensors.

Flips an image horizontally from left to right.

Computes the Levenshtein distance between two sequences.

Saves a list of tensors to a file.

Extracts a slice from a tensor. 

当您将参数传递给操作时会发生什么的简短描述

例子:

Given a tensor input of numerical type, this operation returns a tensor of
the same type and size with values reversed along dimension `seq_dim`. A
vector `seq_lengths` determines which elements are reversed for each index
within dimension 0 (usually the batch dimension).

This operation returns a tensor of type `dtype` and dimensions `shape`, with
all elements set to zero.

举例说明

良好的代码示例很简单,易于理解,通常包含一个简短的代码段,以澄清示例的示例。当操作者操纵Tensor的形状时,通常还可以包括前后的示例。

squeeze()运算有一个很好的伪代码示例:

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
shape(squeeze(t)) ==> [2, 3] 
tile()运算提供了描述性文本一个很好的例子:
For example, tiling `[a, b, c, d]` by `[2]` produces `[a b c d a b c d]`.
在Python中显示代码示例通常是有帮助的。不要将它们放在C ++ Ops文件中,并避免将它们放在Python Ops文档中。如果可能,我们建议将代码示例放在 API指南中。否则,将它们添加到调用Ops构造函数的模块或类docstring中。

以下是模块docstring中的示例api_guides/python/math_ops.md

## Segmentation

TensorFlow provides several operations that you can use to perform common
math computations on tensor segments.
...
In particular, a segmentation of a matrix tensor is a mapping of rows to
segments.

For example:

```python
c = tf.constant([[1,2,3,4], [-1,-2,-3,-4], [5,6,7,8]])
tf.segment_sum(c, tf.constant([0, 0, 1]))
  ==>  [[0 0 0 0]
        [5 6 7 8]]
```

要求,注意事项,重要说明

例子:

This operation requires that: `-1-input.dims() <= dim <= input.dims()`

Note: This tensor will produce an error if evaluated. Its value must
be fed using the `feed_dict` optional argument to `Session.run()`,
`Tensor.eval()`, or `Operation.run()`. 

参数和输出(返回)张量的描述。

要点简要说明。您不必解释操作在参数部分中的工作原理。

如果Op对输入或输出张量的尺寸有很强的限制,请注意。请记住,对于C ++操作,张量的类型自动添加为“A ..type .. Tensor”或“A类型在{...列表类型...}”中。在这种情况下,如果Op对尺寸有约束,则可以添加诸如“必须为4-D”的文本,或者用=(为了防止添加张量类型)开始描述,并写出“A 4-D float张量”。

例如,这里有两种记录C ++ op的图像参数的方法(注意“=”符号):

image: Must be 4-D. The image to resize.

image:= A 4-D `float` tensor. The image to resize. 

在文档中,这些将被渲染为

image: A `float` Tensor. Must be 4-D. The image to resize.

image: A 4-D `float` Tensor. The image to resize.

可选参数说明(“attrs”)

文档生成器始终描述每个attr的类型及其默认值(如果有)。由于C ++和Python生成的文档的描述是非常不同的,因此您不能用等号来覆盖它。

短语任何其他attr描述,以便在类型和默认值之后流畅。首先显示类型和默认值,然后再附加说明。因此,完整的句子是最好的。

以下是一个例子image_ops.cc

REGISTER_OP("DecodePng")
    .Input("contents: string")
    .Attr("channels: int = 0")
    .Attr("dtype: {uint8, uint16} = DT_UINT8")
    .Output("image: dtype")
    .SetShapeFn(DecodeImageShapeFn)
    .Doc(R"doc(
Decode a PNG-encoded image to a uint8 or uint16 tensor.

The attr `channels` indicates the desired number of color channels for the
decoded image.

Accepted values are:

*   0: Use the number of channels in the PNG-encoded image.
*   1: output a grayscale image.
*   3: output an RGB image.
*   4: output an RGBA image.

If needed, the PNG-encoded image is transformed to match the requested
number of color channels.

contents: 0-D.  The PNG-encoded image.
channels: Number of color channels for the decoded image.
image: 3-D with shape `[height, width, channels]`.
)doc");

这将在以下生成以下Args部分 api_docs/python/tf/image/decode_png.md

#### Args:

* <b>`contents`</b>: A `Tensor` of type `string`. 0-D.  The PNG-encoded
  image.
* <b>`channels`</b>: An optional `int`. Defaults to `0`. Number of color
  channels for the decoded image.
* <b>`dtype`</b>: An optional `tf.DType` from: `tf.uint8,
  tf.uint16`. Defaults to `tf.uint 8`.
* <b>`name`</b>: A name for the operation (optional).
  • 无标签