tf.vectorized_map

Параллельное применение функции к списку тензоров, распакованных из elems по размерности 0.

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

Этот метод работает аналогично tf.map_fn, но оптимизирован для значительно большей скорости, возможно, с большим объёмом используемой памяти. Ускорение достигается за счёт векторизации (см. Auto-Vectorizing TensorFlow Graphs: Jacobians, Auto-Batching and Beyond). Идея векторизации заключается в семантическом запуске всех вызовов fn параллельно и объединении соответствующих операций по всем этим вызовам. Это объединение выполняется статически на этапе генерации графа, и сгенерированный код часто демонстрирует производительность, сопоставимую с вручную объединённым кодом.

Поскольку tf.vectorized_map полностью параллелизует пакет, этот метод, как правило, будет значительно быстрее, чем использование tf.map_fn, особенно в режиме eager. Однако это экспериментальная функция и в настоящее время имеет множество ограничений:

• Не должно быть зависимости данных между различными семантическими вызовами fn, т.е. элементы входных данных можно отображать в любом порядке.
• Состоятельные ядра в основном не поддерживаются, так как они часто подразумевают зависимость данных. Тем не менее, мы поддерживаем ограниченный набор таких состоятельных ядер (например, RandomFoo, операции с переменными, такие как чтение и т. д.).
• fn имеет ограниченную поддержку операций управления потоком.
• fn должен возвращать вложенную структуру тензоров или операций. Однако если возвращается операция, у неё должно быть ноль выходов.
• Форма и тип данных любых промежуточных или выходных тензоров в 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)