Python tf.compat.v1.train.create_global_step用法及代码示例

在图中创建全局步长张量。

用法

tf.compat.v1.train.create_global_step(
    graph=None
)

迁移到 TF2

警告：这个 API 是为 TensorFlow v1 设计的。继续阅读有关如何从该 API 迁移到本机 TensorFlow v2 等效项的详细信息。见TensorFlow v1 到 TensorFlow v2 迁移指南有关如何迁移其余代码的说明。

随着全局图的弃用，TF 不再跟踪集合中的变量。也就是说，TF2 中没有全局变量。因此，全局阶跃函数已被删除 (get_or_create_global_step , create_global_step , get_global_step)。您有两种迁移选择：

1. 创建一个 Keras 优化器，它会生成一个 iterations 变量。调用 apply_gradients 时，此变量会自动递增。
2. 手动创建并增加 tf.Variable 。

下面是一个从使用全局步骤迁移到使用 Keras 优化器的示例：

定义一个虚拟模型和损失：

def compute_loss(x):
  v = tf.Variable(3.0)
  y = x * v
  loss = x * 5 - x * v
  return loss, [v]

迁移前：

g = tf.Graph()
with g.as_default():
  x = tf.compat.v1.placeholder(tf.float32, [])
  loss, var_list = compute_loss(x)
  global_step = tf.compat.v1.train.create_global_step()
  global_init = tf.compat.v1.global_variables_initializer()
  optimizer = tf.compat.v1.train.GradientDescentOptimizer(0.1)
  train_op = optimizer.minimize(loss, global_step, var_list)
sess = tf.compat.v1.Session(graph=g)
sess.run(global_init)
print("before training:", sess.run(global_step))
before training:0
sess.run(train_op, feed_dict={x:3})
print("after training:", sess.run(global_step))
after training:1

迁移到 Keras 优化器：

optimizer = tf.keras.optimizers.SGD(.01)
print("before training:", optimizer.iterations.numpy())
before training:0
with tf.GradientTape() as tape:
  loss, var_list = compute_loss(3)
  grads = tape.gradient(loss, var_list)
  optimizer.apply_gradients(zip(grads, var_list))
print("after training:", optimizer.iterations.numpy())
after training:1