深度学习 精选笔记（11）深度学习计算相关：GPU、参数、读写、块

学习参考：

• 动手学深度学习2.0
• Deep-Learning-with-TensorFlow-book
• pytorchlightning

①如有冒犯、请联系侵删。
②已写完的笔记文章会不定时一直修订修改(删、改、增)，以达到集多方教程的精华于一文的目的。
③非常推荐上面（学习参考）的前两个教程，在网上是开源免费的，写的很棒，不管是开始学还是复习巩固都很不错的。

深度学习回顾，专栏内容来源多个书籍笔记、在线笔记、以及自己的感想、想法，佛系更新。争取内容全面而不失重点。完结时间到了也会一直更新下去，已写完的笔记文章会不定时一直修订修改(删、改、增)，以达到集多方教程的精华于一文的目的。所有文章涉及的教程都会写在开头、一起学习一起进步。

1.神经网络的层和块

神经网络块，"比单个层大"但"比整个模型小"的组件。块（block）可以描述单个层、由多个层组成的组件或整个模型本身。 使用块进行抽象的一个好处是可以将一些块组合成更大的组件， 这一过程通常是递归的：

从编程的角度来看，块由类（class）表示。 它的任何子类都必须定义一个将其输入转换为输出的前向传播函数， 并且必须存储任何必需的参数。 注意，有些块不需要任何参数。 最后，为了计算梯度，块必须具有反向传播函数。

如下代码，进行解读：

通过实例化keras.models.Sequential来构建模型， 层的执行顺序是作为参数传递的。 简而言之，Sequential定义了一种特殊的keras.Model， 即在Keras中表示一个块的类。 它维护了一个由Model组成的有序列表， 注意两个全连接层都是Model类的实例， 这个类本身就是Model的子类。 前向传播（call）函数也非常简单： 它将列表中的每个块连接在一起，将每个块的输出作为下一个块的输入。 注意，到目前为止，一直在通过net(X)调用模型来获得模型的输出。 这实际上是net.call(X)的简写， 这是通过Block类的__call__函数实现的一个Python技巧。

import tensorflow as tf

net = tf.keras.models.Sequential([
    tf.keras.layers.Dense(256, activation=tf.nn.relu),
    tf.keras.layers.Dense(10),
])

X = tf.random.uniform((2, 20))
net(X)#相当于net.__call__(X)

Sequential的设计是为了把其他模块串起来。

2.自定义 块

从零开始编写一个块。 它包含一个多层感知机，其具有256个隐藏单元的隐藏层和一个10维输出层。 注意，下面的MLP类继承了表示块的类。 实现只需要提供自己的构造函数（Python中的__init__函数）和前向传播函数。

• 将输入数据作为其前向传播函数的参数。
• 通过前向传播函数来生成输出。请注意，输出的形状可能与输入的形状不同。例如，我们上面模型中的第一个全连接的层接收任意维的输入，但是返回一个维度256的输出。
• 计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。
• 存储和访问前向传播计算所需的参数。
• 根据需要初始化模型参数。

class MLP(tf.keras.Model):
    # 用模型参数声明层。这里，我们声明两个全连接的层
    def __init__(self):
        # 调用MLP的父类Model的构造函数来执行必要的初始化。
        # 这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）
        super().__init__()
        # Hiddenlayer
        self.hidden = tf.keras.layers.Dense(units=256, activation=tf.nn.relu)
        self.out = tf.keras.layers.Dense(units=10)  # Outputlayer

    # 定义模型的前向传播，即如何根据输入X返回所需的模型输出
    def call(self, X):
        return self.out(self.hidden((X)))

net = MLP()
net(X)

代码解读：

• 前向传播函数以X作为输入， 计算带有激活函数的隐藏表示，并输出其未规范化的输出值。
• 实例化多层感知机的层，然后在每次调用前向传播函数时调用这些层；定制的__init__函数通过super().__init__() 调用父类的__init__函数， 省去了重复编写模版代码的痛苦。
• 实例化两个全连接层， 分别为self.hidden和self.out。 注意，除非要实现一个新的运算符， 否则不必担心反向传播函数或参数初始化， 系统将自动生成这些。

（1）顺序块

Sequential的设计基本上总结为：

• 一种将块逐个追加到列表中的函数；
• 一种前向传播函数，用于将输入按追加块的顺序传递给块组成的"链条"。

如下，MySequential的用法与之前为Sequential类编写的代码相同。

class MySequential(tf.keras.Model):
    def __init__(self, *args):
        super().__init__()
        self.modules = []
        for block in args:
            # 这里，block是tf.keras.layers.Layer子类的一个实例
            self.modules.append(block)

    def call(self, X):
        for module in self.modules:
            X = module(X)
        return X

net = MySequential(
    tf.keras.layers.Dense(units=256, activation=tf.nn.relu),
    tf.keras.layers.Dense(10))
net(X)

3. 在前向传播函数中执行代码

Sequential类使模型构造变得简单， 允许组合新的架构，而不必定义自己的类。 然而，并不是所有的架构都是简单的顺序架构。 当需要更强的灵活性时，需要定义自己的块。

网络中的所有操作都对网络的激活值及网络的参数起作用，然而，希望合并既不是上一层的结果也不是可更新参数的项， 称之为常数参数（constant parameter）。

class FixedHiddenMLP(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.flatten = tf.keras.layers.Flatten()
        # 使用tf.constant函数创建的随机权重参数在训练期间不会更新（即为常量参数）
        self.rand_weight = tf.constant(tf.random.uniform((20, 20)))
        self.dense = tf.keras.layers.Dense(20, activation=tf.nn.relu)

    def call(self, inputs):
        X = self.flatten(inputs)
        # 使用创建的常量参数以及relu和matmul函数
        X = tf.nn.relu(tf.matmul(X, self.rand_weight) + 1)
        # 复用全连接层。这相当于两个全连接层共享参数。
        X = self.dense(X)
        # 控制流
        while tf.reduce_sum(tf.math.abs(X)) > 1:
            X /= 2
        return tf.reduce_sum(X)

net = FixedHiddenMLP()
net(X)

在这个FixedHiddenMLP模型中，实现了一个隐藏层， 其权重（self.rand_weight）在实例化时被随机初始化，之后为常量。 这个权重不是一个模型参数，因此它永远不会被反向传播更新。

4.多个块混合组合

一个块混合搭配各种组合块，一个块可以由许多层组成；一个块可以由许多块组成。

class FixedHiddenMLP(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.flatten = tf.keras.layers.Flatten()
        # 使用tf.constant函数创建的随机权重参数在训练期间不会更新（即为常量参数）
        self.rand_weight = tf.constant(tf.random.uniform((20, 20)))
        self.dense = tf.keras.layers.Dense(20, activation=tf.nn.relu)

    def call(self, inputs):
        X = self.flatten(inputs)
        # 使用创建的常量参数以及relu和matmul函数
        X = tf.nn.relu(tf.matmul(X, self.rand_weight) + 1)
        # 复用全连接层。这相当于两个全连接层共享参数。
        X = self.dense(X)
        # 控制流
        while tf.reduce_sum(tf.math.abs(X)) > 1:
            X /= 2
        return tf.reduce_sum(X)

class NestMLP(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.net = tf.keras.Sequential()
        self.net.add(tf.keras.layers.Dense(64, activation=tf.nn.relu))
        self.net.add(tf.keras.layers.Dense(32, activation=tf.nn.relu))
        self.dense = tf.keras.layers.Dense(16, activation=tf.nn.relu)

    def call(self, inputs):
        return self.dense(self.net(inputs))

chimera = tf.keras.Sequential()
chimera.add(NestMLP())
chimera.add(tf.keras.layers.Dense(20))
chimera.add(FixedHiddenMLP())
chimera(X)

5.参数管理

在选择了架构并设置了超参数后，就进入了训练阶段。 此时，目标是找到使损失函数最小化的模型参数值。经过训练后，将需要使用这些参数来做出未来的预测。 此外，希望提取参数，以便在其他环境中复用它们， 将模型保存下来，以便它可以在其他软件中执行， 或者为了获得科学的理解而进行检查。

import tensorflow as tf

net = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(4, activation=tf.nn.relu),
    tf.keras.layers.Dense(1),
])

X = tf.random.uniform((2, 4))
net(X)

5.1参数访问

从已有模型中访问参数。 当通过Sequential类定义模型时， 可以通过索引来访问模型的任意层。 这就像模型是一个列表一样，每层的参数都在其属性中。

import tensorflow as tf

net = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(4, activation=tf.nn.relu),
    tf.keras.layers.Dense(1),
])

X = tf.random.uniform((2, 4))
net(X)
print(net.layers[2].weights)

[<tf.Variable 'dense_1/kernel:0' shape=(4, 1) dtype=float32, numpy=
array([[ 0.06311333],
       [-0.17863423],
       [-0.38862765],
       [ 0.9374387 ]], dtype=float32)>, <tf.Variable 'dense_1/bias:0' shape=(1,) dtype=float32, numpy=array([0.], dtype=float32)>]

代码解释：

首先，这个全连接层包含两个参数，分别是该层的权重和偏置。 两者都存储为单精度浮点数（float32）。 注意，参数名称允许唯一标识每个参数，即使在包含数百个层的网络中也是如此。

(1)访问目标参数

注意，每个参数都表示为参数类的一个实例。 要对参数执行任何操作，首先需要访问底层的数值。

第二个全连接层（即第三个神经网络层）提取偏置， 提取后返回的是一个参数类实例，并进一步访问该参数的值：

print(type(net.layers[2].weights[1]))
print(net.layers[2].weights[1])
print(tf.convert_to_tensor(net.layers[2].weights[1]))

<class 'tensorflow.python.ops.resource_variable_ops.ResourceVariable'>
<tf.Variable 'dense_1/bias:0' shape=(1,) dtype=float32, numpy=array([0.], dtype=float32)>
tf.Tensor([0.], shape=(1,), dtype=float32)

(2) 一次性访问所有参数

当需要对所有参数执行操作时，逐个访问它们可能会很麻烦。 当处理更复杂的块（例如，嵌套块）时，情况可能会变得特别复杂， 因为需要递归整个树来提取每个子块的参数。

print(net.layers[1].weights)
print(net.get_weights())

[<tf.Variable 'dense/kernel:0' shape=(4, 4) dtype=float32, numpy=
array([[ 0.34964794, -0.01246995, -0.66718704,  0.8423942 ],
       [ 0.40420133,  0.48373526, -0.16817617,  0.58779615],
       [-0.33410978,  0.44151586, -0.14673978, -0.4114933 ],
       [-0.18501085, -0.1278897 ,  0.5296257 ,  0.21039444]],
      dtype=float32)>, <tf.Variable 'dense/bias:0' shape=(4,) dtype=float32, numpy=array([0., 0., 0., 0.], dtype=float32)>]
[array([[ 0.34964794, -0.01246995, -0.66718704,  0.8423942 ],
       [ 0.40420133,  0.48373526, -0.16817617,  0.58779615],
       [-0.33410978,  0.44151586, -0.14673978, -0.4114933 ],
       [-0.18501085, -0.1278897 ,  0.5296257 ,  0.21039444]],
      dtype=float32), array([0., 0., 0., 0.], dtype=float32), array([[-0.58489895],
       [-0.6303506 ],
       [-1.0014054 ],
       [-0.02034676]], dtype=float32), array([0.], dtype=float32)]

net.get_weights()[1]

array([0., 0., 0., 0.], dtype=float32)

(3)从嵌套块收集参数

如果将多个块相互嵌套，参数命名约定是如何工作的。 首先定义一个生成块的函数（可以说是"块工厂"），然后将这些块组合到更大的块中。

def block1(name):
    return tf.keras.Sequential([
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(4, activation=tf.nn.relu)],
        name=name)

def block2():
    net = tf.keras.Sequential()
    for i in range(4):
        # 在这里嵌套
        net.add(block1(name=f'block-{i}'))
    return net

rgnet = tf.keras.Sequential()
rgnet.add(block2())
rgnet.add(tf.keras.layers.Dense(1))
rgnet(X)

<tf.Tensor: shape=(2, 1), dtype=float32, numpy=
array([[0.03218262],
       [0.04669464]], dtype=float32)>

print(rgnet.summary())

Model: "sequential_1"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 sequential_2 (Sequential)   (2, 4)                    80        
                                                                 
 dense_6 (Dense)             (2, 1)                    5         
                                                                 
=================================================================
Total params: 85
Trainable params: 85
Non-trainable params: 0
_________________________________________________________________
None

因为层是分层嵌套的，所以也可以像通过嵌套列表索引一样访问它们。 下面，访问第一个主要的块中、第二个子块的第一层的偏置项。

rgnet.layers[0].layers[1].layers[1].weights[1]

<tf.Variable 'dense_3/bias:0' shape=(4,) dtype=float32, numpy=array([0., 0., 0., 0.], dtype=float32)>

5.2参数初始化

深度学习框架提供默认随机初始化， 也允许创建自定义初始化方法， 满足通过其他规则实现初始化权重。默认情况下，Keras会根据一个范围均匀地初始化权重矩阵， 这个范围是根据输入和输出维度计算出的。 偏置参数设置为0。 TensorFlow在根模块和keras.initializers模块中提供了各种初始化方法。

(1)内置默认初始化

首先调用内置的初始化器。 下面将所有权重参数初始化为标准差为0.01的高斯随机变量， 且将偏置(均重)参数设置为0。

net = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(
        4, activation=tf.nn.relu,
        kernel_initializer=tf.random_normal_initializer(mean=0, stddev=0.01),
        bias_initializer=tf.zeros_initializer()),
    tf.keras.layers.Dense(1)])

net(X)
net.weights[0], net.weights[1]

(<tf.Variable 'dense_7/kernel:0' shape=(4, 4) dtype=float32, numpy=
 array([[-0.0084911 ,  0.01987272,  0.0047598 ,  0.00767572],
        [ 0.00302977,  0.00571064,  0.01353499, -0.00716146],
        [ 0.01516861, -0.0042888 , -0.01337093,  0.01640075],
        [-0.00443652,  0.00357472,  0.003672  ,  0.00791739]],
       dtype=float32)>,
 <tf.Variable 'dense_7/bias:0' shape=(4,) dtype=float32, numpy=array([0., 0., 0., 0.], dtype=float32)>)

还可以将所有参数初始化为给定的常数，比如初始化为1。

net = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(
        4, activation=tf.nn.relu,
        kernel_initializer=tf.keras.initializers.Constant(1),
        bias_initializer=tf.zeros_initializer()),
    tf.keras.layers.Dense(1),
])

net(X)
net.weights[0], net.weights[1]

(<tf.Variable 'dense_9/kernel:0' shape=(4, 4) dtype=float32, numpy=
 array([[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]], dtype=float32)>,
 <tf.Variable 'dense_9/bias:0' shape=(4,) dtype=float32, numpy=array([0., 0., 0., 0.], dtype=float32)>)

还可以对某些块应用不同的初始化方法。 例如，下面使用Xavier初始化方法初始化第一个神经网络层， 然后将第三个神经网络层初始化为常量值42。

net = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(
        4,
        activation=tf.nn.relu,
        kernel_initializer=tf.keras.initializers.GlorotUniform()),
    tf.keras.layers.Dense(
        1, kernel_initializer=tf.keras.initializers.Constant(1)),
])

net(X)
print(net.layers[1].weights[0])
print(net.layers[2].weights[0])

<tf.Variable 'dense_11/kernel:0' shape=(4, 4) dtype=float32, numpy=
array([[ 0.05044675, -0.75048006, -0.27696246,  0.3049981 ],
       [-0.8364825 ,  0.71040255,  0.05052626,  0.6309851 ],
       [ 0.7461434 ,  0.43411523,  0.25171906, -0.76259345],
       [ 0.5316939 ,  0.4294545 , -0.22395748,  0.08069021]],
      dtype=float32)>
<tf.Variable 'dense_12/kernel:0' shape=(4, 1) dtype=float32, numpy=
array([[1.],
       [1.],
       [1.],
       [1.]], dtype=float32)>

(2)自定义初始化

深度学习框架没有提供所需要的初始化方法。例如使用以下的分布为任意权重参数 𝑤 定义初始化方法：

下面定义了一个Initializer的子类， 并实现了__call__函数。 该函数返回给定形状和数据类型的所需张量。

class MyInit(tf.keras.initializers.Initializer):
    def __call__(self, shape, dtype=None):
        data=tf.random.uniform(shape, -10, 10, dtype=dtype)
        factor=(tf.abs(data) >= 5)
        factor=tf.cast(factor, tf.float32)
        return data * factor

net = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(
        4,
        activation=tf.nn.relu,
        kernel_initializer=MyInit()),
    tf.keras.layers.Dense(1),
])

net(X)
print(net.layers[1].weights[0])

<tf.Variable 'dense_13/kernel:0' shape=(4, 4) dtype=float32, numpy=
array([[-5.0103664,  6.178299 ,  0.       ,  6.052822 ],
       [-6.3095307,  6.418064 , -8.592429 ,  0.       ],
       [ 8.59478  , -8.356173 , -0.       , -0.       ],
       [-0.       ,  8.881723 , -8.509399 , -0.       ]], dtype=float32)>

也可以直接设置参数：

# assign(42)意味着将这个特定位置的权重值设置为42。
net.layers[1].weights[0][:].assign(net.layers[1].weights[0] + 1)
# assign(42)意味着将这个特定位置的权重值设置为42。
net.layers[1].weights[0][0, 0].assign(42)
net.layers[1].weights[0]

(3)参数绑定

在多个层间共享参数： 可以定义一个稠密层，然后使用它的参数来设置另一个层的参数。

# tf.keras的表现有点不同。它会自动删除重复层
shared = tf.keras.layers.Dense(4, activation=tf.nn.relu)
net = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    shared,
    shared,
    tf.keras.layers.Dense(1),
])

net(X)
# 检查参数是否不同,查看网络层数。
print(len(net.layers) == 3)

6.延后初始化

延后初始化就是提前不指定输入维度，喂入数据时会自动指定。

到目前为止，忽略了建立网络时需要做的以下这些事情：

• 定义了网络架构，但没有指定输入维度。
• 添加层时没有指定前一层的输出维度。
• 在初始化参数时，甚至没有足够的信息来确定模型应该包含多少参数。

如果不指定输入维度，深度学习框架无法判断网络的输入维度是什么。 这里的诀窍是框架的延后初始化（defers initialization）， 即直到数据第一次通过模型传递时，框架才会动态地推断出每个层的大小。

在以后，当使用卷积神经网络时， 由于输入维度（即图像的分辨率）将影响每个后续层的维数， 有了该技术将更加方便。 现在在编写代码时无须知道维度是什么就可以设置参数， 这种能力可以大大简化定义和修改模型的任务。

import tensorflow as tf

net = tf.keras.models.Sequential([
    tf.keras.layers.Dense(256, activation=tf.nn.relu),
    tf.keras.layers.Dense(10),
])

因为输入维数是未知的，所以网络不可能知道输入层权重的维数。 因此，框架尚未初始化任何参数，通过尝试访问以下参数进行确认。请注意，每个层对象都存在，但权重为空。 使用net.get_weights()将抛出一个错误，因为权重尚未初始化。

[net.layers[i].get_weights() for i in range(len(net.layers))]

[[], []]

将数据通过网络，最终使框架初始化参数。

X = tf.random.uniform((2, 20))
net(X)
[w.shape for w in net.get_weights()]

一旦知道输入维数是20，框架可以通过代入值20来识别第一层权重矩阵的形状。 识别出第一层的形状后，框架处理第二层，依此类推，直到所有形状都已知为止。 注意，在这种情况下，只有第一层需要延迟初始化，但是框架仍是按顺序初始化的。

7.自定义层

可以用创造性的方式组合不同的层，从而设计出适用于各种任务的架构。例如，研究人员发明了专门用于处理图像、文本、序列数据和执行动态规划的层。 有时会遇到或要自己发明一个现在在深度学习框架中还不存在的层，在这些情况下，必须构建自定义层。

7.1不带参数的层

构造一个没有任何参数的自定义层。下面的CenteredLayer类要从其输入中减去均值。 要构建它，只需继承基础层类并实现前向传播功能。

import tensorflow as tf


class CenteredLayer(tf.keras.Model):
    def __init__(self):
        super().__init__()

    def call(self, inputs):
        return inputs - tf.reduce_mean(inputs)

#向该层提供一些数据，验证它是否能按预期工作。
layer = CenteredLayer()
layer(tf.constant([1, 2, 3, 4, 5]))

<tf.Tensor: shape=(5,), dtype=int32, numpy=array([-2, -1,  0,  1,  2])>

将层作为组件合并到更复杂的模型中：

net = tf.keras.Sequential([tf.keras.layers.Dense(128), CenteredLayer()])

作为额外的健全性检查，可以在向该网络发送随机数据后，检查均值是否为0。 由于处理的是浮点数，因为存储精度的原因，仍然可能会看到一个非常小的非零数。

Y = net(tf.random.uniform((4, 8)))
tf.reduce_mean(Y)

<tf.Tensor: shape=(), dtype=float32, numpy=2.561137e-09>

7.2带参数的层

定义具有参数的层， 这些参数可以通过训练进行调整。可以使用内置函数来创建参数，这些函数提供一些基本的管理功能。 比如管理访问、初始化、共享、保存和加载模型参数。 这样做的好处之一是：不需要为每个自定义层编写自定义的序列化程序。

现在，实现自定义版本的全连接层。 回想一下，该层需要两个参数，一个用于表示权重，另一个用于表示偏置项。 在此实现中，使用修正线性单元作为激活函数。 该层需要输入参数：in_units和units，分别表示输入数和输出数。

class MyDense(tf.keras.Model):
    def __init__(self, units):
        super().__init__()
        self.units = units

    def build(self, X_shape):
        self.weight = self.add_weight(name='weight',
            shape=[X_shape[-1], self.units],
            initializer=tf.random_normal_initializer())
        self.bias = self.add_weight(
            name='bias', shape=[self.units],
            initializer=tf.zeros_initializer())

    def call(self, X):
        linear = tf.matmul(X, self.weight) + self.bias
        return tf.nn.relu(linear)

# 实例化MyDense类并访问其模型参数
dense = MyDense(3)
dense(tf.random.uniform((2, 5)))
dense.get_weights()

[array([[-0.00381189, -0.03383113,  0.00593808],
        [ 0.05353226, -0.00501231,  0.0306538 ],
        [-0.01644411,  0.01026293,  0.02238739],
        [ 0.01618866,  0.03604672,  0.01572673],
        [ 0.01472138,  0.01281747,  0.01037676]], dtype=float32),
 array([0., 0., 0.], dtype=float32)]

使用自定义层直接执行前向传播计算：

dense(tf.random.uniform((2, 5)))

<tf.Tensor: shape=(2, 3), dtype=float32, numpy=
array([[0.02705063, 0.01465103, 0.03184884],
       [0.05492032, 0.01797221, 0.04979869]], dtype=float32)>

使用自定义层构建模型，就像使用内置的全连接层一样使用自定义层。

net = tf.keras.models.Sequential([MyDense(8), MyDense(1)])
net(tf.random.uniform((2, 64)))

<tf.Tensor: shape=(2, 1), dtype=float32, numpy=
array([[0.],
       [0.]], dtype=float32)>

8.读写文件

8.1加载和保存张量

对于单个张量，可以直接调用load和save函数分别读写它们。 这两个函数都要求我们提供一个名称，save要求将要保存的变量作为输入。

import numpy as np
import tensorflow as tf

x = tf.range(4)
np.save('x-file.npy', x)

现在可以将存储在文件中的数据读回内存。

x2 = np.load('x-file.npy', allow_pickle=True)
x2

array([0, 1, 2, 3])

可以存储一个张量列表，然后把它们读回内存。

y = tf.zeros(4)
np.save('xy-files.npy', [x, y])
x2, y2 = np.load('xy-files.npy', allow_pickle=True)
(x2, y2)

(array([0., 1., 2., 3.]), array([0., 0., 0., 0.]))

写入或读取从字符串映射到张量的字典。 当要读取或写入模型中的所有权重时，这很方便。

mydict = {'x': x, 'y': y}
np.save('mydict.npy', mydict)
mydict2 = np.load('mydict.npy', allow_pickle=True)
mydict2

8.2加载和保存模型参数

保存单个权重向量（或其他张量）确实有用， 但是如果想保存整个模型，并在以后加载它们， 单独保存每个向量则会变得很麻烦。因此，深度学习框架提供了内置函数来保存和加载整个网络。 需要注意的一个重要细节是，这将保存模型的参数而不是保存整个模型。当然也是可以保存模型的。

class MLP(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.flatten = tf.keras.layers.Flatten()
        self.hidden = tf.keras.layers.Dense(units=256, activation=tf.nn.relu)
        self.out = tf.keras.layers.Dense(units=10)

    def call(self, inputs):
        x = self.flatten(inputs)
        x = self.hidden(x)
        return self.out(x)

net = MLP()
X = tf.random.uniform((2, 20))
Y = net(X)

将模型的参数存储在一个叫做"mlp.params"的文件中。

net.save_weights('mlp.params')

实例化了原始多层感知机模型的一个备份。这里不需要随机初始化模型参数，而是直接读取文件中存储的参数。

clone = MLP()
clone.load_weights('mlp.params')

由于两个实例具有相同的模型参数，在输入相同的X时， 两个实例的计算结果应该相同。 验证一下：

Y_clone = clone(X)
Y_clone == Y

<tf.Tensor: shape=(2, 10), dtype=bool, numpy=
array([[False, False, False, False, False, False, False, False, False,
        False],
       [False, False, False, False, False, False, False, False, False,
        False]])>

9.GPU使用

9.1 指定计算设备

可以指定用于存储和计算的设备，如CPU和GPU。 默认情况下，张量是在内存中创建的，然后使用CPU计算它。

import tensorflow as tf
#查询可用gpu的数量。
print(len(tf.config.experimental.list_physical_devices('GPU')))
tf.device('/CPU:0'), tf.device('/GPU:0'), tf.device('/GPU:1')

定义了两个方便的函数， 这两个函数允许在不存在所需所有GPU的情况下运行代码。

def try_gpu(i=0):  #@save
    """如果存在，则返回gpu(i)，否则返回cpu()"""
    if len(tf.config.experimental.list_physical_devices('GPU')) >= i + 1:
        return tf.device(f'/GPU:{i}')
    return tf.device('/CPU:0')

def try_all_gpus():  #@save
    """返回所有可用的GPU，如果没有GPU，则返回[cpu(),]"""
    num_gpus = len(tf.config.experimental.list_physical_devices('GPU'))
    devices = [tf.device(f'/GPU:{i}') for i in range(num_gpus)]
    return devices if devices else [tf.device('/CPU:0')]

try_gpu(), try_gpu(10), try_all_gpus()

9.2张量与GPU

查询张量所在的设备。]默认情况下，张量是在CPU上创建的。需要注意的是，无论何时要对多个项进行操作， 它们都必须在同一个设备上。 例如，如果对两个张量求和， 需要确保两个张量都位于同一个设备上， 否则框架将不知道在哪里存储结果，甚至不知道在哪里执行计算。

x = tf.constant([1, 2, 3])
x.device

（1） 如何存储在GPU上

有几种方法可以在GPU上存储张量。 例如，可以在创建张量时指定存储设备。接 下来，在第一个gpu上创建张量变量X。 在GPU上创建的张量只消耗这个GPU的显存。

with try_gpu():
    X = tf.ones((2, 3))
X

<tf.Tensor: shape=(2, 3), dtype=float32, numpy=
array([[1., 1., 1.],
       [1., 1., 1.]], dtype=float32)>

假设至少有两个GPU，下面的代码将在第二个GPU上创建一个随机张量。

with try_gpu(1):
    Y = tf.random.uniform((2, 3))
Y

（2） 复制

如果要计算X + Y，需要决定在哪里执行这个操作。可以将X传输到第二个GPU并在那里执行操作。 不要简单地X加上Y，因为这会导致异常， 运行时引擎不知道该怎么做：它在同一设备上找不到数据会导致失败。 由于Y位于第二个GPU上，所以需要将X移到那里， 然后才能执行相加运算。

with try_gpu(1):
    Y = tf.random.uniform((2, 3))
print(Y)

with try_gpu(1):
    Z = X
print(X)
print(Z)

#现在数据在同一个GPU上（Z和Y都在），可以将它们相加。
print(Y + Z)

假设变量Z已经存在于第二个GPU上。 如果仍然在同一个设备作用域下调用Z2 = Z会发生什么？ 它将返回Z，而不会复制并分配新内存。

with try_gpu(1):
    Z2 = Z
Z2 is Z

9.3神经网络与GPU

类似地，不仅变量可以指定GPU设备，神经网络模型可以指定GPU设备。

strategy = tf.distribute.MirroredStrategy()
with strategy.scope():
    net = tf.keras.models.Sequential([
        tf.keras.layers.Dense(1)])

当输入为GPU上的张量时，模型将在同一GPU上计算结果。

net(X)

确认模型参数存储在同一个GPU上。

net.layers[0].weights[0].device, net.layers[0].weights[1].device

('/job:localhost/replica:0/task:0/device:GPU:0',
 '/job:localhost/replica:0/task:0/device:GPU:0')