GoogleDevelopmentDaysChina2018近日在中国举行。遗憾的是，小编因不可抗拒的因素滞留合肥，未能参加。不过小伙伴们有幸参加了会议，带来了关于tensorlfow的第一手资料。在这里跟随小编一起关注tensorflow在生产环境中的最佳应用。谷歌大脑软件工程师冯一飞为我们带来了题为《使用Tensorflow高级API进行模型原型制作、训练和生产投资》的精彩报告。冯一飞姐给我们讲了tensorflwo的一些API新变化，最重要的是提出了一些使用tensorflow的建议。总结了六个方面，分别是：使用Eager模式构建原型，使用Datasets处理数据，使用FeatureColumns提取特征，使用Keras构建模型，使用CannedEstimators与SavedModel打包模型，一起来看看吧依次在这六个方面。使用Eager模式构建原型作为计算机行业的一员，我们知道静态图形的效率自然是很快的，但是使用动态图形给我们带来了很多便利。2017年各大框架的动态图开始流行，于是Google提出了tf.contrib.eager来迎接挑战。使用Eager有什么好处？回想之前我们在调试tensorflow程序的时候不得不使用sess.run()，非常麻烦，但是使用Eager可以直接打印出变量，极大的方便了我们的调试；好处不止这么多，在模型构建的时候，我们之前不得不仔细考虑Tensor的形状，一旦出错也不容易定位。使用Eager，可以搭建网络结构并打印出形状来确认是否正确。这使我们更容易建立网络；另外，使用Eager后，自定义Operation和Gradient会方便很多。这是一个简单的例子。首先使用pipinstalltf-nightly安装Eager（或pipinstalltf-nightly-gpu用于GPU版本）。importtensorflowastfimporttensorflow.contrib.eagerastfetfe.enable_eager_execution()#启用Eager模式a=tf.constant([5],dtype=tf.int32)foriinrange(a):print(i)使用Eager后我们可以很顺利的执行上面的代码。但是如果没有Eager，就会报Tensor对象不能被解释为整数的错误。缺点方面，引入Eager势必会产生额外的成本。ProcessingdatawithDatasets读取tensorflow数据的方式有3种：通过feeding；通过管道；直接读取保存在变量或常量中的数据。Datasets属于上面提出的第二种方法，可以简化数据输入过程，提高数据读取效率。Datasets的组成如上所示。其中：Dataset：创建和转换数据集的基础；TextLineDataset：从文本文件中读取行；TFRecordDataset：读取TFRecord文件；FixedLengthRecordDataset：从二进制文件中读取固定大小的记录；迭代器：提供了一种一次访问一个数据的方法来设置元素。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tf.data.Dataset.from_tensor_slices()。使用特征列提取特征特征列实际上是一种数据结构，一种用来描述特征的数据结构。使用特征列可以在输入训练模型之前轻松处理特征。比如对于鸢尾花的识别，对于输入数据，每一列代表不同的特征，比如花瓣的长度，萼片的长度等，我们要处理不同的列（或者所有列），使用FeatureColumns可以很容易地实现。如上图所示，FeatureColumns形成了对输入数据集的结构描述。方便我们对每一列数据进行处理，也让代码的可读性更强。要用Keras搭建模型，大家一定要对Keras有很好的了解。使用Keras搭建神经网络快如飞翔，完美兼容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'))建立模型和上面一样简单，调用API中定义的模型就更简单了简单一个字，极其方便。借用CannedEstimatorsEstimatorsAPI提供了模型选择、评估、训练等一系列功能。在1.3版本之后，Google添加了另一层，称为CannedEstimators。创建深度模型只需要一行代码。估算器可以与上面提到的特征列结合使用。tf.estimator.Estimator是基类；Pre-madeEstimators是基类的子类，是我们可以直接使用的定义好的模型；CustomEstimators是基类的实际列，没有定义，需要我们自己实现模型的定义。对于这里的模型来说，它由三部分组成：Inputfunction：输入函数，也就是我们前面提到的Datasets，用来表示数据；模型功能：实验模型的训练、验证、测试和监控模型参数；Estimators：控制数据流和模型的各种操作。与tensorflow原有的tf.train.Saver来保存模型相比，SavedModel提供了一种更好的将模型部署到生产环境的方式，更适合商业用途。如上图右下部分所示，使用SavedModel打包模型时，可以生成两个模型：对应第一个模型，TensorflowModelAnalysis可以方便我们分析模型，是否存在参数问题，或者模型设计的地方不合适等；经过分析，我们觉得模型不错，可以通过TensorflowServing进行部署。此外，与Saver的方法相比，我们在推理时不需要重新定义Graph（模型）。如果使用Saver，使用模型时需要重新定义模型。如果是一个程序员设计和使用的嘛，要是别的猿用这个模型，不知道这个模型的张量就尴尬了。所以使用SavedModel可以让我们更方便的使用模型。总结GoogleDeveloperDays给我们提供了一场盛宴，希望和大家一起学习知识。如果可以，请喜欢这篇文章。据说喜欢的可以进google。阅读更多react-native技术的优缺点一种方法教你理解JVM和Dalvik的区别专业背景的程序员：如何获得职业资源，进入好的公司？相信自己，没有做不到的，只有想不到，在这里你能得到的不仅仅是技术！
