tf更新tensor/自定义层

修改Tensor特定位置的值

如 stack overflow 中提到的方案。

TensorFlow不让你直接单独改指定位置的值，但是留了个歪门儿，就是tf.scatter_update这个方法，它可以批量替换张量某一维上的所有数据。

def set_value(matrix, x, y, val):
    # 提取出要更新的行
    row = tf.gather(matrix, x)
    # 构造这行的新数据
    new_row = tf.concat([row[:y], [val], row[y+1:]], axis=0)
    # 使用 tf.scatter_update 方法进正行替换
    matrix.assign(tf.scatter_update(matrix, x, new_row))

但是这么做有没什么缺点呢？有，那就是慢，特别是矩阵很大的时候，那是真心的慢。

TensorFlow是对张量运算（其实二维的就是矩阵运算）有速度优化的，能不能将张量修改的操作变成一个普通的张量运算呢？能，再构建一个差值张量然后做个加法，哎，又是一条旁门邪道。

def set_value(matrix, x, y, val):
    # 得到张量的宽和高，即第一维和第二维的Size
    w = int(matrix.get_shape()[0])
    h = int(matrix.get_shape()[1])
    # 构造一个只有目标位置有值的稀疏矩阵，其值为目标值于原始值的差
    val_diff = val - matrix[x][y]
    diff_matrix = tf.sparse_tensor_to_dense(tf.SparseTensor(indices=[x, y], values=[val_diff], dense_shape=[w, h]))
    # 用 Variable.assign_add 将两个矩阵相加
    matrix.assign_add(diff_matrix)

cs20si课程作业1的第3题 后一种方法的效率大概提升了4倍。

Shuffling input files with tensorflow Datasets

问题

按文件列表顺序读取

BUFFER_SIZE = 1000 # arbitrary number
# define filenames somewhere, e.g. via glob
dataset = tf.data.TFRecordDataset(filenames).shuffle(BUFFER_SIZE)

shuffle文件，然后读取

dataset = tf.data.Dataset.from_tensor_slices(filenames)
dataset = dataset.shuffle(BUFFER_SIZE) # doesn't need to be big
dataset = dataset.flat_map(tf.data.TFRecordDataset)
dataset = dataset.map(decode_example, num_parallel_calls=5) # add your decoding logic here
# further processing of the dataset

同时从多个文件读取

dataset = dataset.interleave(tf.data.TFRecordDataset, cycle_length=4)

TF自定义梯度

自定义梯度

多个op

See also tf.RegisterGradient which registers a gradient function for a primitive TensorFlow operation. tf.custom_gradient on the other hand allows for fine grained control over the gradient computation of a sequence of operations.

keras 不支持 去用pytorch吧