如何在 TF2 的 call() 函数中获取 batch_size？

Question

我正在尝试在 TF2 模型中的 call() 函数中获取 batch_size。 但是，我无法得到它，因为我知道的所有方法都返回 None 或 Tensor 而不是维度元组。

这是一个简短的例子

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.models import Model

class MyModel(Model):
    def __init__(self):
        super(MyModel, self).__init__()
    
    def call(self, x):
        print(len(x))
        print(x.shape)
        print(tf.size(x))
        print(np.shape(x))
        print(x.get_shape())
        print(x.get_shape().as_list())
        print(tf.rank(x))
        print(tf.shape(x))
        print(tf.shape(x)[0])
        print(tf.shape(x)[1])        
        return tf.random.uniform((2, 10))


m = MyModel()
m.compile(optimizer="Adam", loss="sparse_categorical_crossentropy", metrics=['accuracy'])
m.fit(np.array([[1,2,3,4], [5,6,7,8]]), np.array([0, 1]), epochs=1)

输出是：

Tensor("my_model_26/strided_slice:0", shape=(), dtype=int32)
(None, 4)
Tensor("my_model_26/Size:0", shape=(), dtype=int32)
(None, 4)
(None, 4)
[None, 4]
Tensor("my_model_26/Rank:0", shape=(), dtype=int32)
Tensor("my_model_26/Shape_2:0", shape=(2,), dtype=int32)
Tensor("my_model_26/strided_slice_1:0", shape=(), dtype=int32)
Tensor("my_model_26/strided_slice_2:0", shape=(), dtype=int32)

1/1 [==============================] - 0s 1ms/step - loss: 3.1796 - accuracy: 0.0000e+00

在此示例中，我将 (2,4) numpy 数组作为输入并将 (2, ) 作为目标提供给模型。 但如您所见，我无法在call() 函数中获取batch_size。

我需要它的原因是因为我必须为 batch_size 迭代张量，这在我的真实模型中是动态的。

例如，如果数据集大小为 10，batch size 为 3，则 last batch 中的最后一个 batch size 为 1。所以，我必须动态知道 batch size。

谁能帮帮我？

---

• 张量流 2.3.3
• CUDA 10.2
• python 3.6.9

Answer 1

这是因为您使用的是 TensorFlow（这是强制性的，因为 Keras 现在在 TensorFlow 中），并且通过使用 TensorFlow，您需要了解将动态图“编译”为静态图。

简而言之，您的 call 方法（在后台）使用 @tf.function 装饰器进行装饰。

这个装饰器：

1. 跟踪 python 函数执行
2. 在 TensorFlow 操作中转换 python 操作（例如，if a > b 变为 tf.cond(tf.greater(a,b), something, something_else)）
3. 创建一个tf.Graph（静态图）
4. 执行刚刚创建的静态图。

您的所有print 调用都是在第一步（python 执行跟踪）中执行的，这就是为什么即使您训练您的模型，您也只能看到 1 次输出。

也就是说，要获得张量的运行时（动态形状），您必须使用tf.shape(x)，批量大小正好是batch_size = tf.shape(x)[0]

请注意，如果要查看形状（使用打印），则不能使用打印，但必须使用tf.print。

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.models import Model


class MyModel(Model):
    def __init__(self):
        super(MyModel, self).__init__()

    def call(self, x):

        shape = tf.shape(x)
        batch_size = shape[0]

        tf.print(shape, batch_size)

        return tf.random.uniform((2, 10))


m = MyModel()
m.compile(
    optimizer="Adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"]
)
m.fit(np.array([[1, 2, 3, 4], [5, 6, 7, 8]]), np.array([0, 1]), epochs=1)

有关静态和动态形状的更多信息：https://pgaleone.eu/tensorflow/2018/07/28/understanding-tensorflow-tensors-shape-static-dynamic/

有关 tf.function 行为的更多信息：https://pgaleone.eu/tensorflow/tf.function/2019/03/21/dissecting-tf-function-part-1/

注意：这些文章是我写的。

Answer 2

如果您想准确地获取数据和形状，您可以将 eager run 变为 true，但这不是一个好的解决方案，因为它会使训练变慢。

这样设置：

m.compile(optimizer="Adam", loss="sparse_categorical_crossentropy",
                           metrics=['accuracy'], run_eagerly=True)

那么输出将是：

(2, 4)
tf.Tensor(8, shape=(), dtype=int32)
(2, 4)
(2, 4)
[2, 4]
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 4], shape=(2,), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor(4, shape=(), dtype=int32)