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

此页面包含TensorFlow的开发人员和用户应遵循的风格决策,以增加其代码的可读性,减少错误数量并提高一致性。

Python风格

一般遵循 PEP8 Python风格指南,除了使用2个空格。

Python 2和3兼容

  • 所有代码都需要与Python 2和3兼容。

  • 所有Python文件中都应存在下一行:

    from __future__ import absolute_import
    from __future__ import division
    from __future__ import print_functio
  • 使用six写兼容代码(例如six.moves.range)。

 

Bazel BUILD规则

TensorFlow使用Bazel构建系统并执行下一个要求:

  • 每个BUILD文件应包含下一个标题:

    # Description:
    # <...>
    
    package(
        default_visibility = ["//visibility:private"],
        features = ["-parse_headers"],
    )
    
    licenses(["notice"])  # Apache 2.0
    
    exports_files(["LICENSE"])
  • 在每个BUILD文件的末尾,应包含:

    filegroup(
        name = "all_files",
        srcs = glob(
            ["**/*"],
            exclude = [
                "**/METADATA",
                "**/OWNERS",
            ],
        ),
        visibility = ["//third_party/tensorflow:__subpackages__"],
    )
  • 添加新的BUILD文件时,将此行添加tensorflow/BUILDall_opensource_files目标文件中。

    "//third_party/tensorflow/<directory>:all_files",
  • 对于所有Python BUILD目标(库和测试)添加下一行:

    srcs_version = "PY2AND3",

 

张量

  • 处理批次的操作可以假设Tensor的第一个维度是批量维度。

 

Python操作

的Python操作是一个函数,给定输入张量和参数,创建图的一部分,并返回输出张量。

  • 第一个参数应该是张量,其次是基本的python参数。最后一个参数name的默认值为None。如果操作需要将一些Tensors 保存到Graph集合,则将参数与集合名称一起放在name参数之前。

  • 张量参数应该是单张量或迭代张量。例如“张量或张量表”太广泛了。见assert_proper_iterable

  •  convert_to_tensor 如果使用C ++操作,将张量作为参数的操作应调用将非张量输入转换为张量。请注意,参数仍被描述为文档中Tensor特定dtype的对象。

  • 每个Python操作应该有op_scope如下所示。传递输入张量列表,name并将op的默认名称作为参数。

  • 操作应该包含一个广泛的Python注释与Args和Returns声明,解释每个值的类型和含义。应在说明中指定可能的形状,型式或等级。 请参阅文档详细信息

  • 为了提高可用性,包括使用示例部分中op操作的输入/输出示例。

例:

def my_op(tensor_in, other_tensor_in, my_param, other_param=0.5,
          output_collections=(), name=None):
"""My operation that adds two tensors with given coefficients.

Args:
  tensor_in: `Tensor`, input tensor.
  other_tensor_in: `Tensor`, same shape as `tensor_in`, other input tensor.
  my_param: `float`, coefficient for `tensor_in`.
  other_param: `float`, coefficient for `other_tensor_in`.
  output_collections: `tuple` of `string`s, name of the collection to
                      collect result of this op.
  name: `string`, name of the operation.

Returns:
  `Tensor` of same shape as `tensor_in`, sum of input values with coefficients.

Example:
  >>> my_op([1., 2.], [3., 4.], my_param=0.5, other_param=0.6,
            output_collections=['MY_OPS'], name='add_t1t2')
  [2.3, 3.4]
"""
with tf.name_scope(name, "my_op", [tensor_in, other_tensor_in]):
  tensor_in = tf.convert_to_tensor(tensor_in)
  other_tensor_in = tf.convert_to_tensor(other_tensor_in)
  result = my_param * tensor_in + other_param * other_tensor_in
  tf.add_to_collections(output_collections, result)
  return result
用法:
output = my_op(t1, t2, my_param=0.5, other_param=0.6,
               output_collections=['MY_OPS'], name='add_t1t2')

图层

是结合可变创建和/或一个或多个其他图形操作一个Python操作。遵循与常规Python操作相同的要求。

  • 如果一个层创建一个或多个变量,层函数也应该遵循下列参数:
  • initializers:可选地允许指定变量的初始值。
  • regularizers:可选地允许为变量指定正则化程序。
  • trainable:哪个控制他们的变量是否可训练。
  • scopeVariableScope该变量将被放在下面的对象。
  • reusebool指示变量如果存在于范围内,应重新使用。

  • 训练过程中行为不同的层应具有:

  • is_trainingbool指示是否建立训练图。

例:

def conv2d(inputs,
           num_filters_out,
           kernel_size,
           stride=1,
           padding='SAME',
           activation_fn=tf.nn.relu,
           normalization_fn=add_bias,
           normalization_params=None,
           initializers=None,
           regularizers=None,
           trainable=True,
           scope=None,
           reuse=None):
  ... see implementation at tensorflow/contrib/layers/python/layers/layers.py ...
  • 无标签