tf.py_func

tf.py_func(
    func,
    inp,
    Tout,
    stateful=True,
    name=None
)

封装一个python函数并将其用作TensorFlow op。给定一个python函数func，它以numpy数组作为参数并返回numpy数组作为输出，将这个函数包装为张量流图中的一个操作。下面的代码片段构造了一个简单的TensorFlow图，它调用np.sinh() NumPy函数作为图中的操作:

def my_func(x):
  # x will be a numpy array with the contents of the placeholder below
  return np.sinh(x)
input = tf.placeholder(tf.float32)
y = tf.py_func(my_func, [input], tf.float32)

注意:tf.py_func()操作有以下已知的限制:

• 函数体(即func)不会在GraphDef中序列化。因此，如果需要序列化模型并在不同的环境中恢复模型，则不应使用此函数。
• 该操作必须在与调用tf.py_func()的Python程序相同的地址空间中运行。如果使用分布式TensorFlow，则必须运行tf.train。服务器与调用tf.py_func()的程序处于相同的进程中，您必须将创建的操作固定到该服务器中的设备上(例如，使用tf.device():)。

参数:

• func: 一个Python函数，它接受ndarray对象作为参数并返回一个ndarray对象列表(或单个ndarray)。这个函数必须接受inp中有多少张量就有多少个参数，这些参数类型将匹配相应的tf。inp中的张量对象。返回的ndarrays必须匹配已定义的Tout的数字和类型。重要提示:func的输入和输出numpy ndarrays不能保证是副本。在某些情况下，它们的底层内存将与相应的TensorFlow张量共享。就地修改或在py中存储func输入或返回值。
• inp: 一个张量对象的列表。
• Tout: tensorflow数据类型的列表或元组，如果只有一个tensorflow数据类型，则使用单个tensorflow数据类型，指示func返回什么。
• stateful: (布尔)。如果为真，则应该认为该函数是有状态的。如果一个函数是无状态的，当给定相同的输入时，它将返回相同的输出，并且没有可观察到的副作用。诸如公共子表达式消除之类的优化只在无状态操作上执行。
• name: 操作的名称(可选)。

返回值:

• func计算的张量或单个张量的列表。

原链接: https://tensorflow.google.cn/versions/r1.10/api_docs/python/tf/py_func?hl=en