tf.train.CheckpointView

Собирает и сериализует представление контрольной точки.

tf.train.CheckpointView(
    save_path
)

Это необходимо для загрузки определённых частей модуля из контрольной точки и сравнения двух модулей путём сопоставления компонентов.

Пример использования:

class SimpleModule(tf.Module):
  def __init__(self, name=None):
    super().__init__(name=name)
    self.a_var = tf.Variable(5.0)
    self.b_var = tf.Variable(4.0)
    self.vars = [tf.Variable(1.0), tf.Variable(2.0)]

root = SimpleModule(name="root")
root.leaf = SimpleModule(name="leaf")
ckpt = tf.train.Checkpoint(root)
save_path = ckpt.save('/tmp/tf_ckpts')
checkpoint_view = tf.train.CheckpointView(save_path)

Передайте node_id=0 в tf.train.CheckpointView.children(), чтобы получить словарь всех дочерних элементов, напрямую связанных с корнем контрольной точки.

for name, node_id in checkpoint_view.children(0).items():
  print(f"- name: '{name}', node_id: {node_id}")
- name: 'a_var', node_id: 1
- name: 'b_var', node_id: 2
- name: 'vars', node_id: 3
- name: 'leaf', node_id: 4
- name: 'root', node_id: 0
- name: 'save_counter', node_id: 5

Аргументы
`save_path`	Путь к контрольной точке.

Исключения
`ValueError`	Если путь save_path не указывает на контрольную точку TF2.

Методы

`children`

Просмотреть исходный код

children(
    node_id
)

Возвращает все дочерние объекты отслеживания, присоединённые к obj.

Аргументы
`node_id`	Идентификатор узла для возврата его дочерних элементов.

Возвращаемое значение
Словарь всех дочерних элементов, присоединённых к объекту, с именем и идентификатором узла.

`descendants`

Просмотреть исходный код

descendants()

Возвращает список объектов отслеживания по идентификатору узла, присоединённых к obj.

`diff`

Просмотреть исходный код

diff(
    obj
)

Возвращает разницу между CheckpointView и Trackable.

Этот метод предназначен для сравнения объекта, сохранённого в контрольной точке, с живой моделью в Python. Например, если восстановление из контрольной точки завершилось неудачно из-за assert_consumed() или assert_existing_objects_matched() проверок, вы можете использовать этот метод, чтобы перечислить объекты/узлы контрольной точки, которые не были восстановлены.

Пример использования:

class SimpleModule(tf.Module):
  def __init__(self, name=None):
    super().__init__(name=name)
    self.a_var = tf.Variable(5.0)
    self.b_var = tf.Variable(4.0)
    self.vars = [tf.Variable(1.0), tf.Variable(2.0)]

root = SimpleModule(name="root")
leaf = root.leaf = SimpleModule(name="leaf")
leaf.leaf3 = tf.Variable(6.0, name="leaf3")
leaf.leaf4 = tf.Variable(7.0, name="leaf4")
ckpt = tf.train.Checkpoint(root)
save_path = ckpt.save('/tmp/tf_ckpts')
checkpoint_view = tf.train.CheckpointView(save_path)

root2 = SimpleModule(name="root")
leaf2 = root2.leaf2 = SimpleModule(name="leaf2")
leaf2.leaf3 = tf.Variable(6.0)
leaf2.leaf4 = tf.Variable(7.0)

checkpoint_view_diff = checkpoint_view.diff(root2)
checkpoint_view_match = checkpoint_view_diff[0].items()
for item in checkpoint_view_match:
  print(item)
(0, ...)
(1, <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=5.0>)
(2, <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=4.0>)
(3, ListWrapper([<tf.Variable 'Variable:0' shape=() dtype=float32,
numpy=1.0>, <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>]))
(6, <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=1.0>)
(7, <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>)

only_in_checkpoint_view = checkpoint_view_diff[1]
print(only_in_checkpoint_view)
[4, 5, 8, 9, 10, 11, 12, 13, 14]

only_in_trackable = checkpoint_view_diff[2]
print(only_in_trackable)
[..., <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=5.0>,
<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=4.0>,
ListWrapper([<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=1.0>,
<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>]),
<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=6.0>,
<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=7.0>,
<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=1.0>,
<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>]

Аргументы
`obj`	`Trackable` корень.

Возвращаемое значение

Возвращаемое значение
Кортеж из ( Пересечения: словарь, содержащий все совпадающие объекты отслеживания, сопоставляющие `node_id` с `Trackable`, также как и в CheckpointView.match(). Только в CheckpointView: список `node_id`, существующих только в CheckpointView. Только в Trackable: список `Trackable`, существующих только в Trackable. )

Кортеж из (

Пересечения: словарь, содержащий все совпадающие объекты отслеживания, сопоставляющие node_id с Trackable, также как и в CheckpointView.match().
Только в CheckpointView: список node_id, существующих только в CheckpointView.
Только в Trackable: список Trackable, существующих только в Trackable. )

`match`

Просмотреть исходный код

match(
    obj
)

Возвращает все соответствующие объекты отслеживания между CheckpointView и Trackable.

Соответствующие объекты отслеживания представляют объекты отслеживания с одинаковым именем и позицией в графе.

Аргументы
`obj`	`Trackable` корень.

Возвращаемое значение
Словарь, содержащий все совпадающие объекты отслеживания, сопоставляющие `node_id` с `Trackable`.

Пример использования:

class SimpleModule(tf.Module):
  def __init__(self, name=None):
    super().__init__(name=name)
    self.a_var = tf.Variable(5.0)
    self.b_var = tf.Variable(4.0)
    self.vars = [tf.Variable(1.0), tf.Variable(2.0)]

root = SimpleModule(name="root")
leaf = root.leaf = SimpleModule(name="leaf")
leaf.leaf3 = tf.Variable(6.0, name="leaf3")
leaf.leaf4 = tf.Variable(7.0, name="leaf4")
ckpt = tf.train.Checkpoint(root)
save_path = ckpt.save('/tmp/tf_ckpts')
checkpoint_view = tf.train.CheckpointView(save_path)

root2 = SimpleModule(name="root")
leaf2 = root2.leaf2 = SimpleModule(name="leaf2")
leaf2.leaf3 = tf.Variable(6.0)
leaf2.leaf4 = tf.Variable(7.0)

checkpoint_view_match = checkpoint_view.match(root2).items()
for item in checkpoint_view_match:
  print(item)
(0, ...)
(1, <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=5.0>)
(2, <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=4.0>)
(3, ListWrapper([<tf.Variable 'Variable:0' shape=() dtype=float32,
numpy=1.0>, <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>]))
(6, <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=1.0>)
(7, <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>)

© 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/CheckpointView