Google开发者大会：你不得不知的Tensorflow小技巧

摘要：近日在中国召开了。软件工程师冯亦菲为我们带来了题为用高层来进行模型原型设计训练和生产投入的精彩报告。冯亦菲姐姐给我们讲了一些的新的的变动，最重要的是提出了一些使用的建议。但是如果没有，就会报对象不能解释为的错误。

Google Development Days China 2018近日在中国召开了。非常遗憾，小编因为不可抗性因素滞留在合肥，没办法去参加。但是小编的朋友有幸参加了会议，带来了关于tensorlfow的一手资料。这里跟随小编来关注tensorflow在生产环境下的最佳应用情况。

Google Brain软件工程师冯亦菲为我们带来了题为“用Tensorflow高层API来进行模型原型设计、训练和生产投入”的精彩报告。

冯亦菲姐姐给我们讲了一些tensorflwo的新的API的变动，最重要的是提出了一些使用tensorflow的建议。

总结出来有六个方面，分别是：

用Eager模式搭建原型

用Datasets处理数据

用Feature Columns提取特征

用Keras搭建模型

借用Canned Estimators

用SavedModel打包模型

下面我们依次来了解下这六个方面。

用Eager模式搭建原型

作为计算机界的一份子，我们知道静态图的效率自然是快快的，但是动态图的使用为我们的使用带来的很多方便。17年的时候，各大框架动态图大行其道，于是Google提出了tf.contrib.eager应对挑战。

使用Eager有什么好处呢？回想之前我们在调试tensorflow的程序时，不得不使用sess.run()，麻烦的要死，而使用Eager就可以直接的将变量打印出来，大大方便了我们的调试；好处不止这么多，在进行模型搭建的时候，以前我们需要仔细考虑下Tensor的shape，一旦出错要定位也很不容易。而使用Eager可以一边搭建网络结构，一边将shape打印出来确认下是否正确。这就使我们在搭建网络时更加方面快捷了；此外，使用Eager后，自定义Operation和Gradient也会方便很多。

下面举个简单的小例子。首先使用pip install tf-nightly（或GPU版本pip install tf-nightly-gpu）来安装Eager。

import tensorflow as tfimport tensorflow.contrib.eager as tfetfe.enable_eager_execution() #开启Eager模式a = tf.constant([5], dtype=tf.int32)for i in range(a):   print (i)

使用Eager后我们可以很顺利的执行上述代码。但是如果没有Eager，就会报Tensor对象不能解释为integer的错误。从缺点上来讲，Eager的引入也势必造成额外的成本。

用Datasets处理数据

tensorflow的数据读入有三种方式：通过feeding的方式；通过管道（pipeline）的方式；直接读取变量或常量中保存的数据。Datasets属于上面提出的第二种方式，可以简化数据输入过程，而且能够提高数据的读入效率。

Datasets的组成如上如所示。其中：

Dataset：创建和转换数据集的基本；

TextLineDataset：从文本文件中读取行；

TFRecordDataset：读取TFRecord文件；

FixedLengthRecordDataset：从二进制文件读取固定大小的记录；

Iterator：提供一种一次访问一个数据集元素的方法。

对于Datasets的使用，我们可以使用Dataset的子类提供的方法，也可以直接使用基类的方法：tf.data.Dataset.from_tensors()或者tf.data.Dataset.from_tensor_slices()。

用Feature Columns提取特征

Feature Columns实际上是一个数据结构，一个用于描述特征的数据结构。利用Feature Columns可以很方便的对输入训练模型前的特征进行处理。比如鸢尾花的识别，对于输入数据，每列表示不同的特征，如花瓣的长度，花萼的长度等等，我们想要对不同的列分别进行处理（或者对所有的列进行处理），使用Feature Columns就可以轻松的实现。

如上图所示，Feature Columns形成了对输入数据集的结构性描述。可以方便我们对每列数据进行处理，而且使得代码的可读性更强。

用Keras搭建模型

想必大家对Keras已经比较了解了，使用Keras来构建一个神经网络，简直是飞一般地速度，而且完美的兼容tensorflow。

simple_model=Sequential()simple_model.add(Dense(3,input_shape=(x.shape[1],),activation="relu",name="layer1"))simple_model.add(Dense(5,activation="relu",name="layer2"))simple_model.add(Dense(1,activation="sigmoid",name="layer3"))

构建一个模型就是如上面这么简单，而且调用API中定义好的模型更是只需要一句话，极其的方便。

借用Canned Estimators

Estimators API提供了模型选择、评估、训练等一些列功能。在1.3版本后，Google又增加了一层，称之为Canned Estimators。只需要一行代码就能够创建深度模型。Estimators可以结合上面提到的Feature Columns一起使用。

tf.estimator.Estimator是基类；Pre-made Estimators是基类的子类，是已经定义好的模型，我们可以直接拿来使用；Custom Estimators是基类的实列，并不是定义好的，需要我们自己实现模型的定义。

对于这里的模型，由三部分组成：

Input function：输入函数，即我们前面所说的Datasets，对于数据进行表示；

Model function: 实验模型的训练、验证、测试以及监控模型的参数；

Estimators: 控制数据流以及模型的各种运算。

用SavedModel打包模型

相比于tensorflow原版的tf.train.Saver保存模型的方式，SavedModel提供了更好的将模型部署到生成环境的手段，更适用于商业目的。

如上图右下方部分，在使用SavedModel打包模型时，可以产生两种模型：

对应于第一种模型，Tensorflow Model Analysis可以方便我们对模型进行分析，是不是存在参数的问题，抑或是模型哪里设计的不合适等等；通过分析后，感觉模型不错，我们就可以通过Tensorflow Serving进行部署。

此外，相比于Saver的方式，我们在inference时不需要再重新定义Graph（模型），如果使用Saver的话，在使用该模型时就需要再定义该模型，如果是一个程序猿设计并使用的还好，如果换成另一个猿去用这个模型，他又不知道模型的tensor的情况，那就尴尬了。所以使用SavedModel可以让我们更轻松地去使用模型。

Google Developer Days给我们提供了一场盛宴，希望和大家一起学习其中的知识。如果可以，请为这篇文章点个赞吧。据说点赞的都能进Google。

react-native技术的优劣

 一招教你读懂JVM和Dalvik之间的区别

NDK项目实战—高仿360手机助手之卸载监听

（Android）面试题级答案（精选版）

非科班出身程序员：如何获取职业资源、进入好公司？

在这里获得的不仅仅是技术！