tensorflow學習之 Eager execution

　　學習它主要為了解決yunyang tensorflow-yolov-3GPU多執行緒呼叫的問題

　　一、開始學習 TensorFlow 最簡單的方法是使用 Eager Execution，官方提供的教程為Colab notebook，打不開需要梯子，參考其他的吧，比如這個：tensorflow之Eager execution基礎

　　從tensorflow之Eager execution基礎中，我瞭解到：

　　啥是Eager Execution?

　　「Eager Execution」，它是一個命令式、由執行定義的介面，一旦從 Python 被呼叫，其操作立即被執行。

　　這使得入門 TensorFlow 變的更簡單，也使研發更直觀。

　　Eager Execution 有啥優點?

　　1、快速除錯即刻的執行錯誤並透過 Python 工具進行整合

　　2、藉助易於使用的 Python 控制流支援動態模型

　　3、為自定義和高階梯度提供強大支援

　　4、適用於幾乎所有可用的 TensorFlow 運算

　　啥是張量?

　　張量是一個多維陣列。與NumPy ndarray物件類似，Tensor物件具有資料型別和形狀。

　　此外，Tensors可以駐留在加速器(如GPU)記憶體中。

　　TensorFlow提供了豐富的操作庫(tf.add，tf.matmul，tf.linalg.inv等)，

　　它們使用和生成Tensors。這些操作自動轉換本機Python型別。

　　張量的基本建立與使用

　　# -*- coding: utf-8 -*-

　　"""

　　@File : 191206_test_Eager_execution.py

　　@Time : 2019/12/6 11:11

　　@Author : Dontla

　　@Email : sxana@qq.com

　　@Software: PyCharm

　　"""

　　# 匯入tensorflow

　　import tensorflow as tf

　　tf.enable_eager_execution()

　　# 建立和使用張量

　　print(tf.add(1,2)) # tf.Tensor(3, shape=(), dtype=int32)

　　print(tf.add([1, 2], [3, 4])) # tf.Tensor([4 6], shape=(2,), dtype=int32)

　　print(tf.square(5)) # tf.Tensor(25, shape=(), dtype=int32)

　　print(tf.reduce_sum([1, 2, 3])) # tf.Tensor(6, shape=(), dtype=int32)

　　print(tf.encode_base64("hello world")) # tf.Tensor(b'aGVsbG8gd29ybGQ', shape=(), dtype=string)

　　print(tf.square(2) + tf.square(3)) # tf.Tensor(13, shape=(), dtype=int32)

　　x = tf.matmul([[1]], [[2, 3]])

　　print(x) # tf.Tensor([[2 3]], shape=(1, 2), dtype=int32)

　　print(x.shape) # (1, 2)

　　print(x.dtype) #

　　張量的屬性

　　每個Tensor都有一個形狀和資料型別

　　x = tf.matmul([[1]], [[2, 3]])

　　print(x.shape)

　　print(x.dtype)

　　NumPy array和TensorFlow張量之間最明顯的區別

　　張量可以由加速器記憶體(如GPU，TPU)支援。

　　張量是不可改變的。

　　TensorFlow張量和NumPy nararrays之間的轉換

　　TensorFlow操作自動將NumPy ndarrays轉換為Tensors。

　　NumPy操作自動將Tensors轉換為NumPy ndarrays。

　　透過在Tensors上呼叫.numpy()方法，可以將張量顯式轉換為NumPy ndarrays。這些轉換通常很容易，因為如果可能，陣列和Tensor共享底層記憶體表示。但是，共享底層表示並不總是可行的，因為Tensor可能託管在GPU記憶體中，而NumPy陣列總是由主機記憶體支援，因此轉換將涉及從GPU到主機記憶體的複製。

　　import tensorflow as tf

　　import numpy as np

　　tf.enable_eager_execution()

　　ndarray = np.ones([3, 3])

　　print(ndarray)

　　# [[1. 1. 1.]

　　# [1. 1. 1.]

　　# [1. 1. 1.]] 鄭州人流醫院哪家好

　　print("TensorFlow operations convert numpy arrays to Tensors automatically")

　　tensor = tf.multiply(ndarray, 42)

　　print(tensor)

　　# tf.Tensor(

　　# [[42. 42. 42.]

　　# [42. 42. 42.]

　　# [42. 42. 42.]], shape=(3, 3), dtype=float64)

　　print("And NumPy operations convert Tensors to numpy arrays automatically")

　　print(np.add(tensor, 1))

　　# [[43. 43. 43.]

　　# [43. 43. 43.]

　　# [43. 43. 43.]]

　　print("The .numpy() method explicitly converts a Tensor to a numpy array")

　　print(tensor.numpy())

　　# [[42. 42. 42.]

　　# [42. 42. 42.]

　　# [42. 42. 42.]]

　　二、GPU加速

　　透過使用GPU進行計算，可以加速許多TensorFlow操作。在沒有任何註釋的情況下，TensorFlow會自動決定是使用GPU還是CPU進行操作(如有必要，還可以複製CPU和GPU記憶體之間的張量)。由操作產生的張量通常由執行操作的裝置的儲存器支援。例如：

　　# -*- coding: utf-8 -*-

　　"""

　　@File : 191208_test_Eager_execution_once_cls.py

　　@Time : 2019/12/8 12:25

　　@Author : Dontla

　　@Email : sxana@qq.com

　　@Software: PyCharm

　　"""

　　import tensorflow as tf

　　tf.enable_eager_execution()

　　x = tf.random_uniform([3, 3])

　　print("Is there a GPU available: ")

　　print(tf.test.is_gpu_available()) # True

　　print("Is the Tensor on GPU #0: "),

　　print(x.device) # /job:localhost/replica:0/task:0/device:GPU:0

　　print(x.device.endswith('GPU:0')) # True

　　(1)裝置名稱

　　Tensor.device屬性提供託管Tensor內容的裝置的完全限定字串名稱。此名稱對一組詳細資訊進行編碼，例如，正在執行此程式的主機的網路地址的識別符號以及該主機中的裝置。這是分散式執行TensorFlow程式所必需的，但我們暫時不會這樣做。如果張量位於主機上的第N個張量上，則字串將以GPU：結尾。

　　(2)顯示裝置配置

　　TensorFlow中的術語“placement"指的是如何為執行裝置分配(放置)各個操作。如上所述，當沒有提供明確的指導時，TensorFlow會自動決定執行操作的裝置，並在需要時將Tensors複製到該裝置。但是，可以使用tf.device上下文管理器將TensorFlow操作顯式放置在特定裝置上。