TesorLayer是一个基于TesorFlow的新型深度学习和强化学习库，专为研究人员和工程师而设计。它提供了大量可自定义的神经层/功能，这些是构建真实AI应用程序的关键。TesorLayer被ACM多媒体协会授予2017年最佳开源软件。
作为深度学习从业者，我们一直在寻找可以满足各种开发目的的库。通过提供各种示例，教程和预先训练的模型，可以轻松采用该库。此外，它允许用户轻松微调TesorFlow;同时适合生产部署。TesorLayer旨在满足所有这些目的。它有三个主要特点：
简单性：TesorLayer将TesorFlow的低级数据流接口提升到高级层/模型。通过广泛社区提供的丰富示例代码，您可以轻松学习。灵活性：TesorLayerAPI是透明的：它不会屏蔽用户的TesorFlow;但留下大量的钩子，有助于低级调整和深度定制。零成本抽象：TesorLayer可以实现TesorFlow的全部功能。下表显示了使用TesorLayer和TITANXp上的原生TesorFlow的VGG16的训练速度。ModeLibDataFormatMaxGPUMemoryUsage(MB)MaxCPUMemoryUsage(MB)AvgCPUMemoryUsage(MB)Rutime(sec)AutoGraphTesorFlow2.0chaellast118332161213674 Tesorlayer2.0chaellast118332187216976GraphKeraschaellast867725802576101EagerTesorFlow2.0chaellast87232052202497 TesorLayer2.0chaellast87232010200795TesorLayer是作为一个开发库来使用的。 其他包装库如Keras和TFLear也提供高级抽象。然而，它们经常隐藏用户的底层引擎，这使得它们难以定制和微调。相反，TesorLayerAPI通常是轻量级，灵活且透明的。用户经常会发现从示例和教程开始很容易，然后无缝地深入了解TesorFlow。此外，TesorLayer不会通过本机支持创建库锁定，以便从Keras导入组件。
TesorLayer在北京大学，伦敦帝国理工学院，加州大学伯克利分校，卡内基梅隆大学，斯坦福大学，康涅狄格大学（UTC）以及谷歌，微软，阿里巴巴等公司等顶尖研究人员和工程师中的使用增长迅速。
模型定义：静态模型：
importtesorflowastffromtesorlayer.layersimportIput,Dropout,Desefromtesorlayer.modelsimportModeldefget_model(iputs_shape):i=Iput(iputs_shape)=Dropout(keep=0.8)(i)=Dese(_uits=800,act=tf..relu,ame="dese1")()=Dropout(keep=0.8)()=Dese(_uits=800,act=tf..relu)()=Dropout(keep=0.8)()=Dese(_uits=10,act=tf..relu)()M=Model(iputs=i,outputs=,ame="mlp")returMMLP=get_model([Noe,784])MLP.eval()outputs=MLP(data)动态模型：
classCustomModel(Model):def__iit__(self):super(CustomModel,self).__iit__()self.dropout1=Dropout(keep=0.8)self.dese1=Dese(_uits=800,act=tf..relu,i_chaels=784)self.dropout2=Dropout(keep=0.8)#(self.dese1)self.dese2=Dese(_uits=800,act=tf..relu,i_chaels=800)self.dropout3=Dropout(keep=0.8)#(self.dese2)self.dese3=Dese(_uits=10,act=tf..relu,i_chaels=800)defforward(self,x,foo=False):z=self.dropout1(x)z=self.dese1(z)z=self.dropout2(z)z=self.dese2(z)z=self.dropout3(z)out=self.dese3(z)iffoo:out=tf..relu(out)returoutMLP=CustomModel()MLP.eval()outputs=MLP(data,foo=True)#cotrolstheforwardhereoutputs=MLP(data,foo=False)
评论