TF动态图处理速度大幅提升！
tensorflow发布重大功能改进autograph，能自动将python代码转换为tensorflow graph，tf动态图处理速度大幅提升！
今天，tensorflow团队发布新功能“autograph”，能自动将python代码（包括控制流，print () 和其他python原生特征）转换为纯tensorflow图代码（pure tensorflow graph code）。
不使用eager execution编写tensorflow代码需要进行一些元编程（metaprogramming） ——先编写一个创建图（graph）的程序，稍后再执行这个graph。这可能令人困惑，尤其是对开发者新手来说。一些特别棘手的情况涉及更复杂的模型，比如要使用 if 和 while 的模型，或者有 print () 等副作用或接受结构化输入的模型。
为什么我们需要graph呢？graph允许各种优化，例如删除常见的子表达式和融合内核（fusing kernel）。再者，graph简化了分布式训练和部署到各种环境的过程，因为它们形成了独立于平台的模型计算过程。这对于模型在多个gpu或tpu上的分布式训练尤为重要，如果你通过tensorflow lite、移动端、物联网等其他平台分发模型，graph也很重要。
下面是一个很简单的、你可能希望添加到graph里的操作：
defhuber_loss(a):iftf.abs(a)<=delta:loss=a*a/2else:loss=delta*(tf.abs(a)-delta/2)returnloss
通过eager execution，只是能做到这一点，但是由于python解释器开销（interpreter overheads）或错过的程序优化机会，此类操作可能会很慢。
为了准备执行graph，你需要重写这个以使用像 tf.cond () 这样的结构，但那样实现起来可能会耗时耗力而且很困难。autograph可以为自动执行此类转换，将动态图编程的简易性保持很低的同时，获得基于graph执行的性能优势。
在示例中，我们可以使用 autograph.convert () 来修饰函数，autograph将自动生成 graph-ready 的代码。
使用autograph，这段代码：
@autograph.convert()defhuber_loss(a):iftf.abs(a)=0:whilen<5:n+=1print(n)returnn
autograph允许你将元素追加到循环内的数组中。 为了达到这个要求，我们使用一些autograph助手，例如set_element_type和stack。
deff(n):z=[]#weaskyoutotellustheelementdtypeofthelistautograph.set_element_type(z,tf.int32)foriinrange(n):z.append(i)#whenyou'redonewiththelist,stackit#(thisisjustlikenp.stack)returnautograph.stack(z)
我们还支持像break，continue，甚至print和assert这样的结构。 转换后，该片段的python将转换为图形(使用恰当的tf.assert)。
deff(x):assertx!=0,'donotpasszero!'returnx*x
能够轻松地添加循环，控制流程以及更多图表意味着可以轻松地将训练循环移动到图形中。 这个例子可以在这个notebook中找到，我们采用rnn训练循环并用一个sess.run（）调用执行它。 在需要将整个训练循环传递给加速器而不是通过cpu控制器管理训练的情况下，这可能是很有用的。
autograph开辟了构建和训练模型的新思路。我们期待根据开发者社区的建议为autograph添加更多功能，所以请提出你的建议和问题吧！
autograph和eager execution
在使用eager execution时，你仍然可以通过tf.contrib.eager.defun对代码的某些部分使用图执行。这要求你使用tensorflow图形操作，如tf.cond（）。 将来，autograph将与defun无缝集成，以允许在简单的eager 风格的python中创作图形代码。 当该实现可用时，你可以通过选择性地将eager代码转换为graph fragments来使用autograph加速热点。
结论
autograph是一款工具，可让你轻松构建直观，复杂的模型，在tensorflow图中轻松运行。 这是一个现在在contrib中的实验工具，但我们希望尽快将其转移到核心tensorflow中。
告诉我们您使用autograph的经历！ 如果你有反馈，建议或想法，请提交问题并向tensorflow开发人员小组发送消息。
马丁代尔耐磨仪如何正确进行起毛起球测试
继电器的可靠性影响因素和测量方法
特斯拉semi兆瓦级充电技术详解
官方华为鸿蒙os升级入口 鸿蒙系统正式体验
Redmi K30首销战报告捷 赢得了双12新品首卖销量冠军
TF动态图处理速度大幅提升！
四种霍尔元件的感应方式分别是什么呢？
人工现实系统可以识别已知手势并相应地做出响应
锡膏在使用时要遵守这些使用要求？
4K电视/平板手机设计主流：UHD/大屏幕
山西：到2025年底公共充电桩桩车比不低于1：8
华为P10和华为P10plus详细区别对比
高精度定位助NOA从高速到城市跃迁
无人机公路巡检，傲势用科技助力智慧交通
阿里巴巴全面进军物联网打造安全里程碑
6位数显频率计数器,Digital frequency meter
基于Traefik自研的微服务网关
滤波电感的功能和工作原理
PLC如何工作？如何远程监控PLC的工作状态？
高通将在新加坡设立IC设计及技术研发中心
今天，tensorflow团队发布新功能“autograph”，能自动将python代码（包括控制流，print () 和其他python原生特征）转换为纯tensorflow图代码（pure tensorflow graph code）。
不使用eager execution编写tensorflow代码需要进行一些元编程（metaprogramming） ——先编写一个创建图（graph）的程序，稍后再执行这个graph。这可能令人困惑，尤其是对开发者新手来说。一些特别棘手的情况涉及更复杂的模型，比如要使用 if 和 while 的模型，或者有 print () 等副作用或接受结构化输入的模型。
为什么我们需要graph呢？graph允许各种优化，例如删除常见的子表达式和融合内核（fusing kernel）。再者，graph简化了分布式训练和部署到各种环境的过程，因为它们形成了独立于平台的模型计算过程。这对于模型在多个gpu或tpu上的分布式训练尤为重要，如果你通过tensorflow lite、移动端、物联网等其他平台分发模型，graph也很重要。
下面是一个很简单的、你可能希望添加到graph里的操作：
defhuber_loss(a):iftf.abs(a)<=delta:loss=a*a/2else:loss=delta*(tf.abs(a)-delta/2)returnloss
通过eager execution，只是能做到这一点，但是由于python解释器开销（interpreter overheads）或错过的程序优化机会，此类操作可能会很慢。
为了准备执行graph，你需要重写这个以使用像 tf.cond () 这样的结构，但那样实现起来可能会耗时耗力而且很困难。autograph可以为自动执行此类转换，将动态图编程的简易性保持很低的同时，获得基于graph执行的性能优势。
在示例中，我们可以使用 autograph.convert () 来修饰函数，autograph将自动生成 graph-ready 的代码。
使用autograph，这段代码：
@autograph.convert()defhuber_loss(a):iftf.abs(a)=0:whilen<5:n+=1print(n)returnn
autograph允许你将元素追加到循环内的数组中。 为了达到这个要求，我们使用一些autograph助手，例如set_element_type和stack。
deff(n):z=[]#weaskyoutotellustheelementdtypeofthelistautograph.set_element_type(z,tf.int32)foriinrange(n):z.append(i)#whenyou'redonewiththelist,stackit#(thisisjustlikenp.stack)returnautograph.stack(z)
我们还支持像break，continue，甚至print和assert这样的结构。 转换后，该片段的python将转换为图形(使用恰当的tf.assert)。
deff(x):assertx!=0,'donotpasszero!'returnx*x
能够轻松地添加循环，控制流程以及更多图表意味着可以轻松地将训练循环移动到图形中。 这个例子可以在这个notebook中找到，我们采用rnn训练循环并用一个sess.run（）调用执行它。 在需要将整个训练循环传递给加速器而不是通过cpu控制器管理训练的情况下，这可能是很有用的。
autograph开辟了构建和训练模型的新思路。我们期待根据开发者社区的建议为autograph添加更多功能，所以请提出你的建议和问题吧！
autograph和eager execution
在使用eager execution时，你仍然可以通过tf.contrib.eager.defun对代码的某些部分使用图执行。这要求你使用tensorflow图形操作，如tf.cond（）。 将来，autograph将与defun无缝集成，以允许在简单的eager 风格的python中创作图形代码。 当该实现可用时，你可以通过选择性地将eager代码转换为graph fragments来使用autograph加速热点。
结论
autograph是一款工具，可让你轻松构建直观，复杂的模型，在tensorflow图中轻松运行。 这是一个现在在contrib中的实验工具，但我们希望尽快将其转移到核心tensorflow中。
告诉我们您使用autograph的经历！ 如果你有反馈，建议或想法，请提交问题并向tensorflow开发人员小组发送消息。
马丁代尔耐磨仪如何正确进行起毛起球测试
继电器的可靠性影响因素和测量方法
特斯拉semi兆瓦级充电技术详解
官方华为鸿蒙os升级入口 鸿蒙系统正式体验
Redmi K30首销战报告捷 赢得了双12新品首卖销量冠军
TF动态图处理速度大幅提升！
四种霍尔元件的感应方式分别是什么呢？
人工现实系统可以识别已知手势并相应地做出响应
锡膏在使用时要遵守这些使用要求？
4K电视/平板手机设计主流：UHD/大屏幕
山西：到2025年底公共充电桩桩车比不低于1：8
华为P10和华为P10plus详细区别对比
高精度定位助NOA从高速到城市跃迁
无人机公路巡检，傲势用科技助力智慧交通
阿里巴巴全面进军物联网打造安全里程碑
6位数显频率计数器,Digital frequency meter
基于Traefik自研的微服务网关
滤波电感的功能和工作原理
PLC如何工作？如何远程监控PLC的工作状态？
高通将在新加坡设立IC设计及技术研发中心