TensorFlow 2.0中`Tensor`(相对于`EagerTensor`)的效用是什么？ [英] What is the utility of `Tensor` (as opposed to `EagerTensor`) in Tensorflow 2.0?

问题描述

在TensorFlow 2.0中，我们看到的主要张量实际上是EagerTensors(更准确地说是tensorflow.python.framework.ops.EagerTensor)：

x = [[2.]]
m = tf.matmul(x, x)
type(m)
# returns tensorflow.python.framework.ops.EagerTensor

但是，在某些情况下，我们有符号Tensor对象(tensorflow.python.framework.ops.Tensor)，如TF1.X。
例如在keras中：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))
type(model.outputs[0])
# returns tensorflow.python.framework.ops.Tensor

那么，这些符号：tensorflow.python.framework.ops.Tensor在TensorFlow中有什么用处：

• 在Tf库内部：Kera至少在使用这些张量，但它是否用于其他地方(使用图形，如tf.unction或tf.data.Dataset)？
• 接口中：这些终端用户是否有实际用途？

推荐答案

在Tf库内部：Kera至少在使用这些张量，但它是否用于其他地方(使用图形，如tf.unction或tf.data.Dataset)？

嗯，是的。你的直觉在这里是正确的。EagreTensor表示已在急切模式下计算张量值的张量，而Tensor表示图形中可能尚未计算的张量节点。

接口中：这些终端用户是否有实际用途？

嗯，在某种程度上，我们一直在使用它们。我们创建Keras模型、tf.data.Dataset管道等，但实际上，对于绝大多数用例，我们并不倾向于实例化Tensor对象本身或与其直接交互，因此可能只想不担心对象类型，而将它们视为TensorFlow内部的实现细节。

这篇关于TensorFlow 2.0中`Tensor`(相对于`EagerTensor`)的效用是什么？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！