tensorflow学习笔记

1、tf.data 是 batch shuffle后的 (input, target)格式数据

dataset = dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE, drop_remainder=True)

for input_example, target_example in  dataset.take(1):
  print ('Input data: ', repr(''.join(idx2char[input_example.numpy()])))
  print ('Target data:', repr(''.join(idx2char[target_example.numpy()]))) 

或

train_ds = tf.data.Dataset.from_tensor_slices((train_x,train_y))
test_ds = tf.data.Dataset.from_tensor_slices((test_x,test_y))
 
train_ds=train_ds.shuffle(buffer_size=batch_size*10).batch(batch_size).prefetch(buffer_size = tf.data.experimental.AUTOTUNE).repeat()
test_ds = test_ds.batch(batch_size).prefetch(buffer_size = tf.data.experimental.AUTOTUNE)#不加repeat，执行一次就行

2、
model.fit是静态图方法
tf.GradientTape()的动态图方法

3、将模型结构写入图片

tf.keras.utils.plot_model(model,to_file=os.path.join("./logs/",'model.png'),show_shapes=True,show_layer_names=True)

4、

tf.add(x, y)和x+y在运算上没有区别
tf.add(x, y)的的优势是可以利用tf.add(x, y, name)中的name来对操作进行命名