TensorFlow kod stili kılavuzu

Python stili

TensorFlow'un 4 yerine 2 boşluk kullanması dışında PEP 8 Python stil kılavuzunu izleyin. Lütfen Google Python Stil Kılavuzu'na uyun ve Python değişikliklerinizi kontrol etmek için pylint kullanın.

pilint

pylint yüklemek için:

$ pip install pylint

TensorFlow kaynak kodu kök dizininden pylint içeren bir dosyayı kontrol etmek için:

$ pylint --rcfile=tensorflow/tools/ci_build/pylintrc tensorflow/python/keras/losses.py

Desteklenen Python sürümleri

Desteklenen Python sürümleri için TensorFlow kurulum kılavuzuna bakın.

Resmi ve topluluk destekli derlemeler için TensorFlow sürekli derleme durumuna bakın.

C++ kodlama stili

TensorFlow C++ kodundaki değişiklikler Google C++ Stil Kılavuzuna ve TensorFlow'a özgü stil ayrıntılarına uygun olmalıdır. C/C++ değişikliklerinizi kontrol etmek için clang-format kullanın.

Ubuntu 16+ sürümüne yüklemek için şunları yapın:

$ apt-get install -y clang-format

Bir C/C++ dosyasının formatını aşağıdakilerle kontrol edebilirsiniz:

$ clang-format <my_cc_file> --style=google > /tmp/my_cc_file.cc
$ diff <my_cc_file> /tmp/my_cc_file.cc

Diğer diller

TensorFlow kuralları ve özel kullanımlar

Python işlemleri

TensorFlow işlemi , giriş tensörleri verildiğinde çıkış tensörlerini döndüren (veya grafikler oluştururken grafiğe bir op ekleyen) bir fonksiyondur.

  • İlk argüman tensörler olmalı ve ardından temel Python parametreleri gelmelidir. Son bağımsız değişken, varsayılan değeri None olan name .
  • Tensör argümanları ya tek bir tensör ya da yinelenebilir tensörler olmalıdır. Yani, "Tensör veya Tensörlerin listesi" çok geniştir. assert_proper_iterable .
  • Tensörleri bağımsız değişken olarak alan işlemler, C++ işlemlerini kullanıyorlarsa, tensör olmayan girişleri tensörlere dönüştürmek için convert_to_tensor çağırmalıdır. Bağımsız değişkenlerin belgelerde hala belirli bir türdeki Tensor nesnesi olarak tanımlandığını unutmayın.
  • Her Python işleminin bir name_scope olmalıdır. Aşağıda görüldüğü gibi op'un adını string olarak iletin.
  • İşlemler, her değerin hem türünü hem de anlamını açıklayan Args ve Returns bildirimlerini içeren kapsamlı bir Python yorumu içermelidir. Açıklamada olası şekiller, tipler veya sıralar belirtilmelidir. Belge ayrıntılarına bakın.
  • Kullanılabilirliğin arttırılması için Örnek bölümüne operasyonun giriş/çıkışlarının kullanıldığı bir kullanım örneği ekleyin.
  • tf.Tensor.eval veya tf.Session.run açıkça kullanmaktan kaçının. Örneğin Tensor değerine bağlı mantığı yazmak için TensorFlow kontrol akışını kullanın. Alternatif olarak, işlemi yalnızca istekli yürütme etkinleştirildiğinde çalışacak şekilde kısıtlayın ( tf.executing_eagerly() ).

Örnek:

def my_op(tensor_in, other_tensor_in, my_param, other_param=0.5,
          output_collections=(), name=None):
  """My operation that adds two tensors with given coefficients.

  Args:
    tensor_in: `Tensor`, input tensor.
    other_tensor_in: `Tensor`, same shape as `tensor_in`, other input tensor.
    my_param: `float`, coefficient for `tensor_in`.
    other_param: `float`, coefficient for `other_tensor_in`.
    output_collections: `tuple` of `string`s, name of the collection to
                        collect result of this op.
    name: `string`, name of the operation.

  Returns:
    `Tensor` of same shape as `tensor_in`, sum of input values with coefficients.

  Example:
    >>> my_op([1., 2.], [3., 4.], my_param=0.5, other_param=0.6,
              output_collections=['MY_OPS'], name='add_t1t2')
    [2.3, 3.4]
  """
  with tf.name_scope(name or "my_op"):
    tensor_in = tf.convert_to_tensor(tensor_in)
    other_tensor_in = tf.convert_to_tensor(other_tensor_in)
    result = my_param * tensor_in + other_param * other_tensor_in
    tf.add_to_collection(output_collections, result)
    return result

Kullanımı:

output = my_op(t1, t2, my_param=0.5, other_param=0.6,
               output_collections=['MY_OPS'], name='add_t1t2')