Tensorflow موثر 2

مشاهده در TensorFlow.org در Google Colab اجرا شود در GitHub مشاهده کنید دانلود دفترچه یادداشت

بررسی اجمالی

این راهنما فهرستی از بهترین روش‌ها برای نوشتن کد با استفاده از TensorFlow 2 (TF2) ارائه می‌کند، که برای کاربرانی نوشته شده است که اخیراً از TensorFlow 1 (TF1) تغییر مکان داده‌اند. برای اطلاعات بیشتر در مورد انتقال کد TF1 به TF2، به بخش مهاجرت در راهنما مراجعه کنید.

برپایی

TensorFlow و دیگر وابستگی‌ها را برای مثال‌های این راهنما وارد کنید.

import tensorflow as tf
import tensorflow_datasets as tfds

توصیه هایی برای اصطلاحی TensorFlow 2

کد خود را به ماژول های کوچکتر تبدیل کنید

یک تمرین خوب این است که کد خود را به توابع کوچکتر تبدیل کنید که در صورت لزوم فراخوانی می شوند. برای بهترین عملکرد، باید سعی کنید بزرگترین بلوک‌های محاسباتی را که می‌توانید در یک tf.function کنید (توجه داشته باشید که توابع پایتون تودرتو که توسط یک tf.function نامیده می‌شوند نیازی به تزئینات جداگانه خود ندارند، مگر اینکه بخواهید از jit_compile متفاوت استفاده کنید. تنظیمات برای tf.function ). بسته به مورد استفاده شما، این می تواند چندین مرحله آموزشی یا حتی کل حلقه آموزشی شما باشد. برای موارد استفاده از استنباط، ممکن است یک مدل واحد به جلو باشد.

نرخ یادگیری پیش فرض را برای برخی از tf.keras.optimizer کنید

برخی از بهینه سازهای Keras نرخ های یادگیری متفاوتی در TF2 دارند. اگر تغییری در رفتار همگرایی برای مدل‌های خود مشاهده کردید، نرخ‌های یادگیری پیش‌فرض را بررسی کنید.

هیچ تغییری برای optimizers.SGD ، optimizers.Adam ، یا optimizers.RMSprop وجود ندارد.

نرخ‌های یادگیری پیش‌فرض زیر تغییر کرده است: