SuperAPI AI 工具集

tensorflow-guide

编程与开发

查看项目

更新于 10-16 06:44

技能介绍

用途:面向需要将模型从实验推进到生产的机器学习研究者与工程师,整理 TensorFlow 2.x 在函数追踪、显存管理和部署方面的实践要点。

主要能力与用法:tf.function 将即时执行与图模式性能结合。首次按输入签名追踪,签名相同则复用,dtype 或形状变化会重新追踪;显式 input_signature 可避免生产环境反复追踪。函数内应避免 Python 副作用、列表增长与创建变量;可变状态用 tf.Variable,累积结果用 tf.TensorArray,变量在函数外创建。Python 控制流建议改用 tf.cond / tf.while_loop。

显存管理:TensorFlow 默认占用全部 GPU 显存,需在任何操作前调用 tf.config.experimental.set_memory_growth(gpu, True),或用 set_logical_device_configuration 设置 memory_limit。可用 get_memory_info 查看占用。

分布式:MirroredStrategy 用于单机多卡同步训练,MultiWorkerMirroredStrategy 用于多机多卡,TPUStrategy 用于 TPU,ParameterServerStrategy 用于超大模型异步训练;全局批量等于单副本批量乘以副本数,学习率常按副本数缩放。

导出与部署:SavedModel 为通用导出格式,可 tf.saved_model.load 后取 serving_default 签名推理;TFLiteConverter 可转移动端模型并启用优化;TensorFlow.js 通过 tensorflowjs_converter --input_format=tf_saved_model saved_model/my_model web_model/ 转浏览器模型。

性能与调试:@tf.function(jit_compile=True) 或 set_jit(True) 启用 XLA;用 tf.profiler.experimental 配合 TensorBoard 定位瓶颈,enable_check_numerics 检查 NaN/Inf,run_functions_eagerly 便于调试。混合精度可经 set_global_policy("mixed_float16") 启用。

限制:资料未提供具体版本要求、性能数字、收费与平台细节,仅给出方法与实践建议,实际效果依赖硬件与工作负载。