tf.train.CheckpointOptions

Параметры для построения контрольной точки.

Просмотр псевдонимов

Псевдонимы совместимости для миграции

Дополнительную информацию см. в руководстве по миграции.

tf.compat.v1.train.CheckpointOptions

tf.train.CheckpointOptions(
    experimental_io_device=None,
    experimental_enable_async_checkpoint=False,
    experimental_write_callbacks=None,
    enable_async=False,
    experimental_skip_slot_variables=False,
    experimental_sharding_callback=None
)

Используется в качестве аргумента options к методам tf.train.Checkpoint.save() или tf.train.Checkpoint.restore() для настройки способов сохранения/восстановления переменных.

Пример: выполнить операции ввода-вывода на "localhost" при сохранении контрольной точки:

step = tf.Variable(0, name="step")
checkpoint = tf.train.Checkpoint(step=step)
options = tf.train.CheckpointOptions(experimental_io_device="/job:localhost")
checkpoint.save("/tmp/ckpt", options=options)

Аргументы
`experimental_io_device`	строка. Применяется в распределенной среде. Устройство TensorFlow, используемое для доступа к файловой системе. Если `None` (по умолчанию), то для каждой переменной доступ к файловой системе осуществляется с устройства CPU:0 хоста, которому эта переменная назначена. Если указано, то доступ к файловой системе для всех переменных осуществляется с этого устройства. Это, например, полезно, если вы хотите сохранить данные в локальном каталоге, таком как "/tmp", при работе в распределенной среде. В этом случае укажите устройство хоста, где доступен каталог "/tmp".
`experimental_enable_async_checkpoint`	тип bool. Устарело, используйте параметр enable_async.
`experimental_write_callbacks`	Список [Callable]. Список функций обратного вызова, которые будут выполняться после завершения каждого события сохранения (т.е. после `save()` или `write()`). Для асинхронных контрольных точек функции обратного вызова будут выполняться только после завершения асинхронной потоковой обработки сохранения. Значения возврата функций обратного вызова игнорируются. Функции обратного вызова могут необязательно принимать `save_path` (результат `save()` или `write()`) в качестве аргумента. Функции обратного вызова будут выполнены в том же порядке в этом списке после записи контрольной точки.
`enable_async`	тип bool. Указывает, включена ли асинхронная работа с контрольными точками. По умолчанию False, т.е. асинхронная работа с контрольной точкой не включена. Асинхронная работа с контрольной точкой перемещает запись файла контрольной точки в отдельный поток, чтобы модель могла продолжить обучение, пока запись файла контрольной точки выполняется в фоновом режиме. Асинхронная работа с контрольными точками сокращает время простоя устройств TPU и ускоряет процесс обучения модели, но может увеличить потребление памяти.
`experimental_skip_slot_variables`	тип bool. Если True, игнорируются переменные слотов при восстановлении. Контекст: слои TPU Embedding для обслуживания не правильно восстанавливают переменные слотов. Этот параметр позволяет пропустить восстановление переменных слотов, которые в любом случае не требуются для использования в обслуживании (b/315912101).
`experimental_sharding_callback`	`tf.train.experimental.ShardingCallback`. Заготовленный или настраиваемый обратный вызов, определяющий, как контрольные точки фрагментируются на диске. Предварительно настроенные варианты обратного вызова – `tf.train.experimental.ShardByDevicePolicy` и `tf.train.experimental.MaxShardSizePolicy`. Вы также можете написать пользовательский обратный вызов, см. `tf.train.experimental.ShardingCallback`.

Атрибуты
`enable_async`
`experimental_enable_async_checkpoint`
`experimental_io_device`
`experimental_sharding_callback`
`experimental_skip_slot_variables`
`experimental_write_callbacks`

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/train/CheckpointOptions