tf.compat.v1.py_func

Оборачивает функцию Python и использует её в качестве операции TensorFlow.

tf.compat.v1.py_func(
    func, inp, Tout, stateful=True, name=None
)

Это имя устарело и было удалено в TF2, однако tf.numpy_function — практически точная замена: просто удалите аргумент stateful (все вызовы tf.numpy_function считаются имеющими состояние). Эта функция совместима с eager-выполнением и tf.function.

tf.py_function — близкая, но не точная замена: она передаёт обёрнутой функции тензоры TensorFlow вместо массивов NumPy, благодаря чему поддерживает градиенты и может использовать ускорители.

До:

def fn_using_numpy(x):
  x[0] = 0.
  return x
tf.compat.v1.py_func(fn_using_numpy, inp=[tf.constant([1., 2.])],
    Tout=tf.float32, stateful=False)
<tf.Tensor: shape=(2,), dtype=float32, numpy=array([0., 2.], dtype=float32)>

После:

tf.numpy_function(fn_using_numpy, inp=[tf.constant([1., 2.])],
    Tout=tf.float32)
<tf.Tensor: shape=(2,), dtype=float32, numpy=array([0., 2.], dtype=float32)>

Описание

Используется в блокнотах

Оборачивает функцию Python func, которая принимает массивы NumPy в качестве аргументов и возвращает массивы NumPy, в операцию графа TensorFlow. Следующий фрагмент создаёт простой граф TensorFlow, который вызывает функцию NumPy np.sinh() в качестве операции графа:

def my_func(x):
  # x will be a numpy array with the contents of the placeholder below
  return np.sinh(x)
input = tf.compat.v1.placeholder(tf.float32)
y = tf.compat.v1.py_func(my_func, [input], tf.float32)

Примечание: У операции tf.compat.v1.py_func() есть следующие известные ограничения:

• Тело функции (то есть func) не сериализуется в GraphDef. Поэтому не используйте эту функцию, если вам нужно сериализовать модель и восстановить её в другой среде.

• Операция должна выполняться в том же адресном пространстве, что и программа Python, вызывающая tf.compat.v1.py_func(). При использовании распределённого TensorFlow необходимо запустить tf.distribute.Server в том же процессе, что и программа, вызывающая tf.compat.v1.py_func(), а созданную операцию нужно закрепить за устройством на этом сервере (например, с помощью with tf.device():).

Примечание: Эта операция создаёт тензоры с неизвестной формой и рангом, поскольку для произвольного кода Python невозможно выполнить вывод формы. Если вам нужна форма, задайте её на основе статически доступной информации.

Например:

import tensorflow as tf
import numpy as np

def make_synthetic_data(i):
    return np.cast[np.uint8](i) * np.ones([20,256,256,3],
            dtype=np.float32) / 10.

def preprocess_fn(i):
    ones = tf.py_function(make_synthetic_data,[i],tf.float32)
    ones.set_shape(tf.TensorShape([None, None, None, None]))
    ones = tf.image.resize(ones, [224,224])
    return ones

ds = tf.data.Dataset.range(10)
ds = ds.map(preprocess_fn)