tf.experimental.dtensor.DVariable

Замена для tf.Variable, которая следует принципу размещения начального значения.

Наследуется от: Variable

tf.experimental.dtensor.DVariable(
    initial_value, *args, dtype=None, **kwargs
)

Используется в блокнотах

Класс также обрабатывает операции restore/save в DTensor. Обратите внимание, что DVariable может вернуться к обычному tf.Variable в данный момент, если initial_value не является DTensor.

Подклассы

class SaveSliceInfo

Методы

assign

Просмотреть исходный код

assign(
    value, use_locking=None, name=None, read_value=True
)

Присваивает новое значение этой переменной.

assign_add

Просмотреть исходный код

assign_add(
    delta, use_locking=None, name=None, read_value=True
)

Добавляет значение к этой переменной.

assign_sub

Просмотреть исходный код

assign_sub(
    delta, use_locking=None, name=None, read_value=True
)

Вычитает значение из этой переменной.

batch_scatter_update

Просмотреть исходный код

batch_scatter_update(
    sparse_delta, use_locking=False, name=None
)

Присваивает tf.IndexedSlices этой переменной по частям.

Аналогично batch_gather. Предполагается, что у этой переменной и разреженной delta IndexedSlices есть ряд ведущих измерений, которые одинаковы для всех из них, и обновления выполняются по последнему измерению индексов. Другими словами, измерения должны быть следующими:

num_prefix_dims = sparse_delta.indices.ndims - 1 batch_dim = num_prefix_dims + 1 sparse_delta.updates.shape = sparse_delta.indices.shape + var.shape[ batch_dim:]

где

sparse_delta.updates.shape[:num_prefix_dims] == sparse_delta.indices.shape[:num_prefix_dims] == var.shape[:num_prefix_dims]

И выполняемая операция может быть выражена как:

var[i_1, ..., i_n, sparse_delta.indices[i_1, ..., i_n, j]] = sparse_delta.updates[ i_1, ..., i_n, j]

Когда sparse_delta.indices является одномерным тензором, эта операция эквивалентна scatter_update.

Чтобы избежать этой операции, можно перебрать первые ndims переменной и использовать scatter_update на подтензорах, полученных в результате среза первого измерения. Это допустимый вариант для ndims = 1, но менее эффективный, чем это реализация.

count_up_to

Просмотреть исходный код

count_up_to(
    limit
)

Увеличивает эту переменную до достижения limit. (устаревшее)

При выполнении этой операции она пытается увеличить переменную на 1. Если увеличение переменной приведёт к значению выше limit, операция вызывает исключение OutOfRangeError.

Если ошибка не возникла, операция выводит значение переменной до инкремента.

Это по существу сокращённая форма для count_up_to(self, limit).

eval

Просмотреть исходный код

eval(
    session=None
)

Вычисляет и возвращает значение этой переменной.

experimental_ref

Просмотреть исходный код

experimental_ref()

УСТАРЕВШАЯ ФУНКЦИЯ

from_proto

Просмотреть исходный код

@staticmethod
from_proto(
    variable_def, import_scope=None
)

Возвращает объект Variable, созданный из variable_def.

gather_nd

Просмотреть исходный код

gather_nd(
    indices, name=None
)

Считывает значение этой переменной разреженно, используя gather_nd.

get_shape

Просмотреть исходный код

get_shape() -> tf.TensorShape

Псевдоним Variable.shape.

initialized_value

Просмотреть исходный код

initialized_value()

Возвращает значение инициализированной переменной. (устаревшее)

Вы должны использовать это вместо самой переменной, чтобы инициализировать другую переменную значением, зависящим от значения этой переменной.

# Initialize 'v' with a random tensor.
v = tf.Variable(tf.random.truncated_normal([10, 40]))
# Use `initialized_value` to guarantee that `v` has been
# initialized before its value is used to initialize `w`.
# The random values are picked only once.
w = tf.Variable(v.initialized_value() * 2.0)

is_initialized

Просмотреть исходный код

is_initialized(
    name=None
)

Проверяет, была ли инициализирована переменная ресурса.

Выводит булево скалярное значение, указывающее, была ли тензор инициализирован.

load

Просмотреть исходный код

load(
    value, session=None
)

Загрузка нового значения в эту переменную. (устаревшее)

Записывает новое значение в память переменной. Не добавляет операции в граф.

Этот метод удобства требует сессии, где запущен граф, содержащий эту переменную. Если сессия не передана, используется по умолчанию. См. tf.compat.v1.Session для получения дополнительной информации о запуске графа и сессиях.

v = tf.Variable([1, 2])
init = tf.compat.v1.global_variables_initializer()

with tf.compat.v1.Session() as sess:
    sess.run(init)
    # Usage passing the session explicitly.
    v.load([2, 3], sess)
    print(v.eval(sess)) # prints [2 3]
    # Usage with the default session.  The 'with' block
    # above makes 'sess' the default session.
    v.load([3, 4], sess)
    print(v.eval()) # prints [3 4]

numpy

Просмотреть исходный код

numpy()

read_value

Просмотреть исходный код

read_value()

Создаёт операцию для чтения значения этой переменной.

Следует использовать, когда требуется несколько чтений или когда желательно прочитать значение только после того, как некоторое условие станет истинным.

read_value_no_copy

Просмотреть исходный код

read_value_no_copy()

Создаёт операцию для чтения значения этой переменной без копирования.

Переменная считывается без копирования, даже если к ней был разреженный доступ. Переменные в режиме копирования при чтении будут преобразованы в режим копирования при записи.

ref

Просмотреть исходный код

ref()

Возвращает хешируемый объект-ссылку на эту переменную.

Основной сценарий использования этого API — размещение переменных в наборе/словаре. Мы не можем поместить переменные в набор/словарь, так как variable.__hash__() больше не доступен, начиная с TensorFlow 2.0.

Следующее вызовет исключение, начиная с 2.0

x = tf.Variable(5)
y = tf.Variable(10)
z = tf.Variable(10)
variable_set = {x, y, z}
Traceback (most recent call last):

TypeError: Variable is unhashable. Instead, use tensor.ref() as the key.
variable_dict = {x: 'five', y: 'ten'}
Traceback (most recent call last):

TypeError: Variable is unhashable. Instead, use tensor.ref() as the key.

Вместо этого мы можем использовать variable.ref().

variable_set = {x.ref(), y.ref(), z.ref()}
x.ref() in variable_set
True
variable_dict = {x.ref(): 'five', y.ref(): 'ten', z.ref(): 'ten'}
variable_dict[y.ref()]
'ten'

Также, объект ссылки предоставляет функцию .deref(), которая возвращает исходную переменную.

x = tf.Variable(5)
x.ref().deref()
<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=5>

scatter_add

Просмотреть исходный код

scatter_add(
    sparse_delta, use_locking=False, name=None
)

Добавляет tf.IndexedSlices к этой переменной.

scatter_div

Просмотреть исходный код

scatter_div(
    sparse_delta, use_locking=False, name=None
)

Делит эту переменную на tf.IndexedSlices.

scatter_max

Просмотреть исходный код

scatter_max(
    sparse_delta, use_locking=False, name=None
)

Обновляет эту переменную максимальным значением из tf.IndexedSlices и самой себя.

scatter_min

Просмотреть исходный код

scatter_min(
    sparse_delta, use_locking=False, name=None
)

Обновляет эту переменную минимальным значением из tf.IndexedSlices и самой себя.

scatter_mul

Просмотреть исходный код

scatter_mul(
    sparse_delta, use_locking=False, name=None
)

Умножает эту переменную на tf.IndexedSlices.

scatter_nd_add

Просмотреть исходный код

scatter_nd_add(
    indices, updates, name=None
)

Применяет разреженное сложение к отдельным значениям или срезам в переменной.

ref - это Tensor с рангом P, и indices - это Tensor ранга Q.

indices должно быть целочисленным тензором, содержащим индексы в ref. Его форма должна быть [d_0, ..., d_{Q-2}, K], где 0 < K <= P.

Самый внутренний размер indices (длиной K) соответствует индексам элементов (если K = P) или срезов (если K < P) вдоль K-го измерения ref.

updates - это Tensor ранга Q-1+P-K с формой:

[d_0, ..., d_{Q-2}, ref.shape[K], ..., ref.shape[P-1]].

Например, предположим, что мы хотим добавить 4 разбросанных элемента к тензору ранга-1 к 8 элементам. В Python этот обновление будет выглядеть так:

ref = tf.Variable([1, 2, 3, 4, 5, 6, 7, 8])
indices = tf.constant([[4], [3], [1] ,[7]])
updates = tf.constant([9, 10, 11, 12])
add = ref.scatter_nd_add(indices, updates)
with tf.compat.v1.Session() as sess:
  print sess.run(add)

Результат обновления ref будет таким:

[1, 13, 3, 14, 14, 6, 7, 20]

См. tf.scatter_nd для получения дополнительной информации о том, как выполнять обновления срезов.

scatter_nd_max

Просмотреть исходный код

scatter_nd_max(
    indices, updates, name=None
)

Обновляет эту переменную максимальным значением из tf.IndexedSlices и самой себя.

ref - это Tensor с рангом P, и indices - это Tensor ранга Q.

indices должен быть целочисленным тензором, содержащим индексы в ref. Его форма должна быть [d_0, ..., d_{Q-2}, K], где 0 < K <= P.

Самый внутренний размер indices (длиной K) соответствует индексам элементов (если K = P) или срезов (если K < P) вдоль K-го измерения ref.

updates - это Tensor ранга Q-1+P-K с формой:

[d_0, ..., d_{Q-2}, ref.shape[K], ..., ref.shape[P-1]].

См. tf.scatter_nd для получения дополнительной информации о том, как выполнять обновления срезов.

scatter_nd_min

Просмотреть исходный код

scatter_nd_min(
    indices, updates, name=None
)

Обновляет эту переменную значением min из tf.IndexedSlices и её собственным значением.

ref — это Tensor с рангом P, а indices — это Tensor ранга Q.

indices должен быть целочисленным тензором, содержащим индексы в ref. Он должен иметь форму [d_0, ..., d_{Q-2}, K], где 0 < K <= P.

Внутреннее измерение indices (с длиной K) соответствует индексам элементов (если K = P) или срезов (если K < P) по K-му измерению ref.

updates — это Tensor ранга Q-1+P-K с формой:

[d_0, ..., d_{Q-2}, ref.shape[K], ..., ref.shape[P-1]].

См. tf.scatter_nd для получения более подробной информации о том, как выполнять обновления срезов.

scatter_nd_sub

Просмотреть исходный код

scatter_nd_sub(
    indices, updates, name=None
)

Применяет разреженное вычитание к отдельным значениям или срезам в переменной.

ref — это Tensor с рангом P, а indices — это Tensor с рангом Q.

indices должен быть целочисленным тензором, содержащим индексы в ref. Он должен иметь форму [d_0, ..., d_{Q-2}, K], где 0 < K <= P.

Внутреннее измерение indices (с длиной K) соответствует индексам элементов (если K = P) или срезов (если K < P) по K-му измерению ref.

updates — это Tensor ранга Q-1+P-K с формой:

[d_0, ..., d_{Q-2}, ref.shape[K], ..., ref.shape[P-1]].

Например, предположим, что мы хотим добавить 4 разбросанных элемента в тензор ранга-1 к 8 элементам. В Python это обновление будет выглядеть так:

ref = tf.Variable([1, 2, 3, 4, 5, 6, 7, 8])
indices = tf.constant([[4], [3], [1] ,[7]])
updates = tf.constant([9, 10, 11, 12])
op = ref.scatter_nd_sub(indices, updates)
with tf.compat.v1.Session() as sess:
  print sess.run(op)

Результат обновления ref будет выглядеть так:

[1, -9, 3, -6, -6, 6, 7, -4]

См. tf.scatter_nd для получения более подробной информации о том, как выполнять обновления срезов.

scatter_nd_update

Просмотреть исходный код

scatter_nd_update(
    indices, updates, name=None
)

Применяет разреженную операцию присваивания к отдельным значениям или срезам в переменной.

ref — это Tensor с рангом P, а indices — это Tensor с рангом Q.

indices должен быть целочисленным тензором, содержащим индексы в ref. Он должен иметь форму [d_0, ..., d_{Q-2}, K], где 0 < K <= P.

Внутреннее измерение indices (с длиной K) соответствует индексам элементов (если K = P) или срезов (если K < P) по K-му измерению ref.

updates — это Tensor ранга Q-1+P-K с формой:

[d_0, ..., d_{Q-2}, ref.shape[K], ..., ref.shape[P-1]].

Например, предположим, что мы хотим добавить 4 разбросанных элемента в тензор ранга-1 к 8 элементам. В Python это обновление будет выглядеть так:

ref = tf.Variable([1, 2, 3, 4, 5, 6, 7, 8])
indices = tf.constant([[4], [3], [1] ,[7]])
updates = tf.constant([9, 10, 11, 12])
op = ref.scatter_nd_update(indices, updates)
with tf.compat.v1.Session() as sess:
  print sess.run(op)

Результат обновления ref будет выглядеть так:

[1, 11, 3, 10, 9, 6, 7, 12]

См. tf.scatter_nd для получения более подробной информации о том, как выполнять обновления срезов.

scatter_sub

Просмотреть исходный код

scatter_sub(
    sparse_delta, use_locking=False, name=None
)

Вычитает tf.IndexedSlices из этой переменной.

scatter_update

Просмотреть исходный код

scatter_update(
    sparse_delta, use_locking=False, name=None
)

Присваивает tf.IndexedSlices этой переменной.

set_shape

Просмотреть исходный код

set_shape(
    shape
)

Переопределяет форму этой переменной.

sparse_read

Просмотреть исходный код

sparse_read(
    indices, name=None
)

Читает значение этой переменной разреженно, используя gather.

to_proto

Просмотреть исходный код

to_proto(
    export_scope=None
)

Преобразует ResourceVariable в протокольный буфер VariableDef.

value

Просмотреть исходный код

value()

Кешированная операция, которая считывает значение этой переменной.

__abs__

Просмотреть исходный код

__abs__(
    name=None
)

__add__

Просмотреть исходный код

__add__(
    y
)

__and__

Просмотреть исходный код

__and__(
    y
)

__array__

Просмотреть исходный код

__array__(
    dtype=None
)

Разрешает прямое преобразование в массив NumPy.

np.array(tf.Variable([1.0]))
array([1.], dtype=float32)

__bool__

Просмотреть исходный код

__bool__()

__div__

Просмотреть исходный код

__div__(
    y
)

__eq__

Просмотреть исходный код

__eq__(
    other
)

Сравнивает две переменные попарно на равенство.

__floordiv__

Просмотреть исходный код

__floordiv__(
    y
)

__ge__

__ge__(
    y: Annotated[Any, tf.raw_ops.Any],
    name=None
) -> Annotated[Any, tf.raw_ops.Any]

Возвращает логическое значение (x >= y) поэлементно.

Примечание: math.greater_equal поддерживает трансляцию. Дополнительную информацию о трансляции см. здесь

Пример:

x = tf.constant([5, 4, 6, 7])
y = tf.constant([5, 2, 5, 10])
tf.math.greater_equal(x, y) ==> [True, True, True, False]

x = tf.constant([5, 4, 6, 7])
y = tf.constant([5])
tf.math.greater_equal(x, y) ==> [True, False, True, True]

__getitem__

Просмотреть исходный код

__getitem__(
    slice_spec
)

Создает объект помощника среза для заданной переменной.

Это позволяет создавать подмассив из части текущего содержимого переменной. См. tf.Tensor.getitem для подробных примеров срезов.

Эта функция также позволяет выполнять присвоение срезу. Это аналогично функционалу __setitem__ в Python. Однако синтаксис отличается, чтобы пользователь мог захватить операцию присвоения для группировки или передачи в sess.run() в TF1. Например,

import tensorflow as tf
A = tf.Variable([[1,2,3], [4,5,6], [7,8,9]], dtype=tf.float32)
print(A[:2, :2])  # => [[1,2], [4,5]]

A[:2,:2].assign(22. * tf.ones((2, 2))))
print(A) # => [[22, 22, 3], [22, 22, 6], [7,8,9]]

Обратите внимание, что присвоения в настоящее время не поддерживают семантику трансляции NumPy.

__gt__

__gt__(
    y: Annotated[Any, tf.raw_ops.Any],
    name=None
) -> Annotated[Any, tf.raw_ops.Any]

Возвращает логическое значение (x > y) поэлементно.

Примечание: math.greater поддерживает трансляцию. Дополнительную информацию о трансляции см. здесь

Пример:

x = tf.constant([5, 4, 6])
y = tf.constant([5, 2, 5])
tf.math.greater(x, y) ==> [False, True, True]

x = tf.constant([5, 4, 6])
y = tf.constant([5])
tf.math.greater(x, y) ==> [False, False, True]

__invert__

Просмотреть исходный код

__invert__(
    name=None
)

__iter__

Просмотреть исходный код

__iter__()

При выполнении в режиме eager, итерирует по значению переменной.

__le__

__le__(
    y: Annotated[Any, tf.raw_ops.Any],
    name=None
) -> Annotated[Any, tf.raw_ops.Any]

Возвращает логическое значение (x <= y) поэлементно.

Примечание: math.less_equal поддерживает трансляцию. Дополнительную информацию о трансляции см. здесь

Пример:

x = tf.constant([5, 4, 6])
y = tf.constant([5])
tf.math.less_equal(x, y) ==> [True, True, False]

x = tf.constant([5, 4, 6])
y = tf.constant([5, 6, 6])
tf.math.less_equal(x, y) ==> [True, True, True]

__lt__

__lt__(
    y: Annotated[Any, tf.raw_ops.Any],
    name=None
) -> Annotated[Any, tf.raw_ops.Any]

Возвращает логическое значение (x < y) поэлементно.

Примечание: math.less поддерживает трансляцию. Дополнительную информацию о трансляции см. здесь

Пример:

x = tf.constant([5, 4, 6])
y = tf.constant([5])
tf.math.less(x, y) ==> [False, True, False]

x = tf.constant([5, 4, 6])
y = tf.constant([5, 6, 7])
tf.math.less(x, y) ==> [False, True, True]

__matmul__

Просмотреть исходный код

__matmul__(
    y
)

__mod__

Просмотреть исходный код

__mod__(
    y
)

__mul__

Просмотреть исходный код

__mul__(
    y
)

__ne__

Просмотреть исходный код

__ne__(
    other
)

Сравнивает два массива поэлементно на равенство.

__neg__

__neg__(
    name=None
) -> Annotated[Any, tf.raw_ops.Any]

Вычисляет числовое отрицание поэлементно.

То есть, \(y = -x\).

__nonzero__

Просмотреть исходный код

__nonzero__()

__or__

Просмотреть исходный код

__or__(
    y
)

__pow__

Просмотреть исходный код

__pow__(
    y
)

__radd__

Просмотреть исходный код

__radd__(
    x
)

__rand__

Просмотреть исходный код

__rand__(
    x
)

__rdiv__

Просмотреть исходный код

__rdiv__(
    x
)

__rfloordiv__

Просмотреть исходный код

__rfloordiv__(
    x
)

__rmatmul__

Просмотреть исходный код

__rmatmul__(
    x
)

__rmod__

Просмотреть исходный код

__rmod__(
    x
)

__rmul__

Просмотреть исходный код

__rmul__(
    x
)

__ror__

Просмотреть исходный код

__ror__(
    x
)

__rpow__

Просмотреть исходный код

__rpow__(
    x
)

__rsub__

Просмотреть исходный код

__rsub__(
    x
)

__rtruediv__

Просмотреть исходный код

__rtruediv__(
    x
)

__rxor__

Просмотреть исходный код

__rxor__(
    x
)

__sub__

Просмотреть исходный код

__sub__(
    y
)

__truediv__

Просмотреть исходный код

__truediv__(
    y
)

__xor__

Просмотреть исходный код

__xor__(
    y
)