TensorFlow 官方API 中文版(二)

7/19/2016 6:55:43 AM

1.1.1 class tf.Graph(续)

tf.Graph.devide(device_name_or_function)

　　返回一个明确默认设备的使用的上下文管理器
device_name_or_function 参数可以是一个设备名字符串，一个设备函数或者None:
　　如果这个参数是一个设备名字符串，所有在此上下文构建的操作将被指派给是这个名称的设备，除非它被一个嵌套的 device() 上下文所覆盖
　　如果这个参数是函数，它将被视为一个从 Operation 对象到设备名字符串的函数，并且每次一个新的Operation被创建时都会被调用。这个Operation将会被指派给这个带有返回名的设备
　　如果是None,所有从封闭的上下文调用的device()将会被忽略
想了解关于设备名字符串的合法语法，请在DeviceNameUtils中查阅相关文档

示例：

with g.device('/gpu:0'):# All operations constructed in this context will be placed# on GPU 0.with g.device(None):
# All operations constructed in this context will have no
# assigned device.# Defines a function from `Operation` to device string.
def matmul_on_gpu(n):if n.type == "MatMul":
return "/gpu:0"else:
return "/cpu:0"with g.device(matmul_on_gpu):# All operations of type "MatMul" constructed in this context# will be placed on GPU 0; all other operations will be placed# on CPU 0.

注：设备范围可能会被op包装器或者其他库代码所覆盖。例如，一个变量指定操作 v.assign()必须被tf.Variable v所托管(colocated)，并且不兼容的设备将被忽略。
参数：
device_name_or_function:在上下文中使用的设备名或函数
返回值：
一个为新创建的操作明确默认设备的上下文管理器

tf.Graph.name_scope(name)

返回为操作创建分层的上下文管理器
一张图维持一个命名空间栈，在当前上下文生命期，一个 with name_scope(…):声明将一个新的名称压栈。
name参数将解释如下
一个字符串(没有以’/’结尾)将创建一个新的命名空间，在此空间name会附加到所有在上下文里创建的操作的前缀。如果name之前被用过，可以通过调用self.unique_name(name)使它变为独特的name
一个从之前a with g.name_scope(…) as scope: 声明捕获的空间将被视为一个绝对命名空间，这使得它有可能代表现有的空间
一个None值或者空字符串将会重置当前命名空间到最高层(空的)命名空间
示例:

with tf.Graph().as_default() as g:c = tf.constant(5.0, name="c")assert c.op.name == "c"c_1 = tf.constant(6.0, name="c")assert c_1.op.name == "c_1"# Creates a scope called "nested"with g.name_scope("nested") as scope:
nested_c = tf.constant(10.0, name="c")
assert nested_c.op.name == "nested/c"# Creates a nested scope called "inner".
with g.name_scope("inner"):nested_inner_c = tf.constant(20.0, name="c")assert nested_inner_c.op.name == "nested/inner/c"# Create a nested scope called "inner_1".
with g.name_scope("inner"):nested_inner_1_c = tf.constant(30.0, name="c")assert nested_inner_1_c.op.name == "nested/inner_1/c"# Treats `scope` as an absolute name scope, and# switches to the "nested/" scope.with g.name_scope(scope):
nested_d = tf.constant(40.0, name="d")
assert nested_d.op.name == "nested/d"with g.name_scope(""):e = tf.constant(50.0, name="e")assert e.op.name == "e"

空间本身的命名可以被with g.name_scope(…) as scope:所捕获，它在变量空间内存有空间的命名。这个结果可以在一个空间内命名代表执行操作的所有结果的操作(This value can be used to name an operation that represents the overall result of executing the ops in a scope)。例如:
  inputs = tf.constant(...)with g.name_scope('my_layer') as scope:weights = tf.Variable(..., name="weights")biases = tf.Variable(..., name="biases")affine = tf.matmul(inputs, weights) + biasesoutput = tf.nn.relu(affine, name=scope)
参数:
name: 一个空间的命名
返回:
一个设置(install)name为新的命名空间的上下文管理器
一张图实例支持任意多个被命名标志的“集合”，为了方便，当建立一个很大的图时。集合能存储一组相关的对象。例如，tf.Variable为所有在图建立期间创建的变量使用一个集合(名为tf.GraphKeys.VARIABLES)。调用者可以通过指定一个新的命名来定义额外的集合。

tf.Graph.add_to_collection(name,value)

将value值存入给定name的collection
注意collections不是sets，所以有可能将同一个值多次加入一个collection。
参数:
names: collection的关键字(key)。 GraphKeys类包含许多标准集合名称
value:加入collection的值

tf.Graph.add_to_collections(names,value)

将value存入给定的names的collections中
注意collections不是sets，所以有可能将同一个值多次加入一个collection。这个函数保证忽略names中的重复值，但不会检查names中任意一个collection的value里已存在的成员。(This function makes sure that duplicates in names are ignored, but it will not check for pre-existing membership of value in any of the collections in names.)
names可以是可迭代的，但是如果它是个字符串，它将被视为一个单集合名
参数:
names: 要加入的collections的关键字(keys)。GraphKeys类包含许多标准集合名称
value:加入collections的值

tf.Graph.get_collection(name,scope=None)

返回给定名称集合的值的列表
这个方法不同于get_collection_ref()，后者总是返回真正的集合(如果存在),因此每次被调用时，它总是返回一个新的列表。(This is different from get_collection_ref() which always returns the actual collection list if it exists in that it returns a new list each time it is called.)
参数：
name:集合的关键字。例如 GraphKeys类含有许多类的标准命名
scope:(可选)如果提供了，结果过滤列表仅包含那些没有名称属性总不返回，名称(name)属性匹配使用re.match得到的条目。如果一个空间(scope）被提供，那么choice或者re.match意味着一个没有特殊前缀标记过滤器的空间。
返回:
给定名称的集合中值的列表，或者空表(当没有值加入集合)。这个列表包含一些按顺序的值，在这个顺序下它们被收集。

TensorFlow 官方API 中文版(二)相关推荐

java6 官方API中文版
这是sun公司没有被Oracle公司收购前官方发布的免费的中文文档现在已经不好找了所以在此免费分享一下链接:https://pan.baidu.com/s/1r-CRqzQvMo8DEgf-U2P ...
[资源分享] TensorFlow 官方中文版教程来了
最近,TensorFlow 提供了中文版的教程(Tutorials)和指南(Guide). 其中,教程是介绍了一些基本的机器学习模型,包括分类.回归等,也包括一些深度学习方面的模型,包括常用的卷积神经 ...
pytorch官方教程中文版（二）学习PyTorch
pytorch编程环境是1.9.1+cu10.2 建议有能力的直接看官方网站英文版! 下面所示是本次教程的主要目录: pytorch官方教程中文版: PyTorch介绍学习PyTorch 图像和视频 ...
QQ 一键加群、扫二维码加群 - 腾讯官方API文档接入
QQ 一键加群.扫二维码加群 - 腾讯官方API文档接入 QQ一键加群功能,腾讯API生成链接和二维码等等获取地址:腾讯官方API文档接口使用方法:引入对应的链接即可这里有生成图片.二维码的功效 ...
一文初探Tensorflow高级API使用（初学者篇）
正文共5917个字,3张图,预计阅读时间34分钟. 笔记整理者:王小草笔记整理时间:2017年2月26日对应的官方文档地址:https://www.tensorflow.org/get_start ...
JNI官方规范中文版
JNI官方规范中文版转载自:http://www.360doc.com/content/13/1014/23/14233282_321497569.shtml jni虚拟机java多线程jvmsun ...
Tensorflow C++ API调用Keras模型实现RGB图像语义分割
我的实验是基于PSPNet模型实现二维图像的语义分割,下面的代码直接从得到的h5文件开始往下做... 也不知道是自己的检索能力出现了问题还是咋回事,搜遍全网都没有可以直接拿来用的语义分割代码,东拼西凑 ...
今晚直播 | 谷歌资深工程师手把手教你使用TensorFlow最新API构建学习模型
目前,深度学习的研究和应用大受追捧,各种开源的深度学习框架层出不穷.TensorFlow 作为目前最受欢迎的深度学习框架,已经在 GitHub 上获得了 112194 个 star,受欢迎程序可见一斑 ...
Web3.js 0.20.x API 中文版翻译 1
2019独角兽企业重金招聘Python工程师标准>>> 本文首发于深入浅出区块链社区原文链接:Web3.js 0.20.x API 中文版翻译原文已更新,请读者前往原文阅读文档原 ...

TensorFlow 官方API 中文版(二)

TensorFlow 官方API 中文版(二)

1.1.1 class tf.Graph(续)

tf.Graph.devide(device_name_or_function)

tf.Graph.name_scope(name)

tf.Graph.add_to_collection(name,value)

tf.Graph.add_to_collections(names,value)

tf.Graph.get_collection(name,scope=None)

TensorFlow 官方API 中文版(二)相关推荐

最新文章

热门文章