現(xiàn)在知道還不算晚，輸入示例自動(dòng)生成代碼，谷歌開(kāi)源這項(xiàng)神器要火
操作張量并非易事，因?yàn)樗枰芏嘞葲Q條件，例如跟蹤多個(gè)維度，Dtype兼容性，數(shù)學(xué)正確性和張量形狀等。當(dāng)然最大的挑戰(zhàn)還是從數(shù)百種可用選項(xiàng)中確定正確的TensorFlow操作。
假如不需要你進(jìn)行對(duì)張量操縱進(jìn)行編碼，你只需要通過(guò)一個(gè)說(shuō)明性的例子來(lái)演示，有個(gè)工具就能生成相應(yīng)的代碼，你會(huì)選擇這個(gè)工具么？如果會(huì)的話，谷歌的TensorFlow Coder（TF-Coder）可以幫你實(shí)現(xiàn)這一點(diǎn)。
TF-Coder是一個(gè)程序合成工具，可以幫助你編寫(xiě)TensorFlow代碼，首先，這個(gè)工具需要輸入所需張量變換的輸入-輸出示例。然后，它會(huì)運(yùn)行一個(gè)組合搜索來(lái)查找執(zhí)行轉(zhuǎn)換的TensorFlow表達(dá)式。TF-Coder的輸出是真實(shí)的TensorFlow代碼，你可以直接將它用在你的項(xiàng)目中。
接著，我們?cè)賮?lái)詳細(xì)介紹一下TF-Coder是如何幫助你編寫(xiě)TensorFlow代碼。
在TensorFlow中的編程示例
假如你想將包含 M 個(gè)元素的向量（下例中指‘rows’）和包含 N 個(gè)元素的向量“想加”，生成一個(gè)包含所有成對(duì)和的 M x N 矩陣。你可以提供一個(gè)輸入輸出示例（如M=3和N=4），而不需要深入研究TensorFlow文檔來(lái)找出如何做到這一點(diǎn)。
輸入張量：
- inputs = {
- 'rows': [10, 20, 30],
- 'cols': [1, 2, 3, 4],
- }
所提供的輸入張量對(duì)應(yīng)的期望輸出張量:
- output = [[11, 12, 13, 14],
- [21, 22, 23, 24],
- [31, 32, 33, 34]]
給定這些信息（默認(rèn)情況下已經(jīng)輸入到TF-Coder Colab中），TF-Coder工具會(huì)在零點(diǎn)幾秒內(nèi)自動(dòng)找到合適的TensorFlow代碼：
- tf.add(cols, tf.expand_dims(rows, 1))
上面的問(wèn)題非常簡(jiǎn)單，只是通過(guò)示例來(lái)說(shuō)明編程的思想。TF-Coder對(duì)于更難的問(wèn)題也很有用。
TF-Coder幫助你找到要使用的正確函數(shù)
假設(shè)我們正在處理一個(gè)數(shù)學(xué)問(wèn)題，比如商品的價(jià)格，數(shù)據(jù)集中范圍很廣，從$10以下到$1000以上。如果這些價(jià)格被直接用作特征，那么你的模型可能會(huì)對(duì)訓(xùn)練數(shù)據(jù)中的特定價(jià)格過(guò)度擬合。
假如要處理這些問(wèn)題，你可能需要使用bucketing將數(shù)字價(jià)格轉(zhuǎn)換成類別特征。使用bucket邊界 [10, 50, 100, 1000] 意味著低于10美元的價(jià)格應(yīng)歸入bucket 0，10美元至50美元的價(jià)格應(yīng)歸入bucket 1，依此類推。
選擇bucket邊界之后，如何使用TensorFlow將實(shí)際價(jià)格映射到bucket索引？諸如給定以下bucket邊界和物品價(jià)格：
- # Input tensors
- boundaries = [10, 50, 100, 1000]
- prices = [15, 3, 50, 90, 100, 1001]
計(jì)算每個(gè)項(xiàng)的bucket編號(hào)：
- # Output tensor
- bucketed_prices = [1, 0, 2, 2, 3, 4]
盡管TensorFlow提供了各種bucketing操作，但要找出哪個(gè)特定的操作執(zhí)行這種確切的bucketing可能比較棘手。由于TF-Coder可以通過(guò)行為識(shí)別數(shù)百個(gè)張量操作，你可以通過(guò)提供一個(gè)輸入-輸出示例來(lái)查找正確的操作：
- # Input-output example
- inputs = {
- 'boundaries': [10, 50, 100, 1000],
- 'prices': [15, 3, 50, 90, 100, 1001],
- }
- output = [1, 0, 2, 2, 3, 4]
很快，TF-Coder就會(huì)輸出如下解決方案：
- tf.searchsorted(boundaries, prices, side='right')
TF-Coder通過(guò)聰明的方式結(jié)合函數(shù)
現(xiàn)在我們來(lái)考慮另一個(gè)問(wèn)題：計(jì)算一個(gè)0-1的張量，它能識(shí)別輸入張量每一行中的最大元素。
- # Input tensor
- scores = [[0.7, 0.2, 0.1],
- [0.4, 0.5, 0.1],
- [0.4, 0.4, 0.2],
- [0.3, 0.4, 0.3],
- [0.0, 0.0, 1.0]]
- # Output tensor
- top_scores = [[1, 0, 0],
- [0, 1, 0],
- [1, 0, 0],
- [0, 1, 0],
- [0, 0, 1]]
注意，如果同一最大元素在一行中出現(xiàn)多次，比如在第三行scores中，那么應(yīng)該只標(biāo)記第一個(gè)最大元素，以便top_scores的每行只有一個(gè)結(jié)果。
和上個(gè)問(wèn)題不同的是，這里不存在可執(zhí)行該計(jì)算的 TensorFlow 函數(shù)。在文檔中搜索「max」，你可能找到 tf.reduce_max、tf.argmax 和 tf.maximum，但也不清楚到底該用哪一個(gè)？tf.reduce_max 輸出 [0.7, 0.5, 0.4, 0.4, 1.0]，tf.argmax 輸出 [0, 1, 0, 1, 2]，tf.maximum 不合適，因?yàn)樗荒苋菁{兩個(gè)參數(shù)。這些函數(shù)似乎都與該示例的期望輸出關(guān)聯(lián)不大。
對(duì)于此類問(wèn)題，TF-Coder也可以快速解決。你可以把這個(gè)問(wèn)題寫(xiě)成輸入輸出例子的形式
- # Input-output example
- inputs = {
- 'scores': [[0.7, 0.2, 0.1],
- [0.4, 0.5, 0.1],
- [0.4, 0.4, 0.2],
- [0.3, 0.4, 0.3],
- [0.0, 0.0, 1.0]],
- }
- output = [[1, 0, 0],
- [0, 1, 0],
- [1, 0, 0],
- [0, 1, 0],
- [0, 0, 1]]
TF-Coder結(jié)合使用tf.one_hot和tf.argmax，得出一個(gè)解決方案：
- tf.cast(tf.one_hot(tf.argmax(scores, axis=1), 3), tf.int32)
通過(guò)對(duì)TensorFlow操作組合的詳細(xì)搜索，TF-Coder經(jīng)常會(huì)找到類似這樣的優(yōu)雅解決方案，這可能會(huì)簡(jiǎn)化并加速TensorFlow程序的開(kāi)發(fā)。
關(guān)于TF-Coder的用法還有很多，這里就不一一列舉了，相信你已經(jīng)見(jiàn)識(shí)到他的強(qiáng)大了，最后附上TF-Coder相關(guān)地址：
Github地址：https://github.com/google-research/tensorflow-coder
Google Colab 試用地址：https://colab.research.google.com/github/google-research/tensorflow-coder/blob/master/TF-Coder_Colab.ipynb
