tf.vectorized_map

Параллельное отображение списка тензоров, извлечённых из elems по измерению 0.

tf.vectorized_map(
    fn, elems, fallback_to_while_loop=True, warn=True
)

Используется в блокнотах

Этот метод работает аналогично tf.map_fn, но оптимизирован для значительно более быстрого выполнения, возможно, с гораздо большим потреблением памяти. Ускорение достигается за счёт векторизации (см. Автоматическая векторизация графов TensorFlow: якобианы, автоматическая пакетная обработка и не только). Векторизация позволяет семантически запускать все вызовы fn параллельно и объединять соответствующие операции в этих вызовах. Это объединение выполняется статически во время построения графа, и производительность сгенерированного кода часто близка к производительности версии, объединённой вручную.

Поскольку tf.vectorized_map полностью распараллеливает пакет, этот метод обычно значительно быстрее, чем использование tf.map_fn, особенно в режиме eager. Однако эта экспериментальная функция имеет ряд ограничений:

• Между различными семантическими вызовами fn не должно быть зависимости по данным; другими словами, элементы входных данных можно безопасно обрабатывать в любом порядке.
• Поддержка операций с состоянием может быть ограниченной, поскольку они часто предполагают наличие зависимости по данным. Тем не менее поддерживается ограниченный набор таких операций (например, RandomFoo и операции Variable, такие как чтение).
• Поддержка операций управления потоком в fn ограничена.
• fn должна возвращать вложенную структуру тензоров или операций. Однако если возвращается операция, у неё не должно быть выходных данных.
• Форма и тип данных любых промежуточных тензоров или выходных тензоров при вычислении fn не должны зависеть от входных данных fn.

Примеры:

def outer_product(a):
  return tf.tensordot(a, a, 0)

batch_size = 100
a = tf.ones((batch_size, 32, 32))
c = tf.vectorized_map(outer_product, a)
assert c.shape == (batch_size, 32, 32, 32, 32)

# Computing per-example gradients

batch_size = 10
num_features = 32
layer = tf.keras.layers.Dense(1)

def model_fn(arg):
  with tf.GradientTape() as g:
    inp, label = arg
    inp = tf.expand_dims(inp, 0)
    label = tf.expand_dims(label, 0)
    prediction = layer(inp)
    loss = tf.nn.l2_loss(label - prediction)
  return g.gradient(loss, (layer.kernel, layer.bias))

inputs = tf.random.uniform([batch_size, num_features])
labels = tf.random.uniform([batch_size, 1])
per_example_gradients = tf.vectorized_map(model_fn, (inputs, labels))
assert per_example_gradients[0].shape == (batch_size, num_features, 1)
assert per_example_gradients[1].shape == (batch_size, 1)