@tf.function( input_signature ) 在 class scope 之外定义的对象方法

Question

假设我有一个Custom Layer ：

class Custom_Layer(keras.layers.Layer):
    def __init__(self, **kwargs):
        self.w_0 = tf.Variable(tf.random_uniform_initializer(),trainable=True)
        self.b_0 = tf.Variable(tf.zeros_initializer(),trainable=True)    
        ....
    def call(self, inputs):
        output = A_Method(self, inputs)
        return output

def A_Method(self, TensorA):
    ....
    return something

如果我想将@tf.function(with input_signature)装饰为A_Method以控制跟踪

@tf.function(input_signature=[???,  tf.TensorSpec(shape=None)])
def A_Method(self, TensorA):
    ....
    return something

我应该为self设定什么规格？ 我尝试放置tf.TensorSpec但出现错误

___Updated the question___:

我对 tensorflow 很陌生，如果代码很奇怪或没有意义，我深表歉意。 我这样做的原因是我发现 RNN 花了很长时间才开始第一个纪元，我不知道这个自定义层是否可以做类似的事情但花费的时间更少。 但最终我相信缓慢的初始化时间是因为 tensorflow retracing repeatedly even on same input_spec - input_shape 。 我反复使用这一层，

input_layer = Input(shape=( X_.shape[1],X_.shape[2]),  name='input')
for loop :
Hard_Code_RNN_Layer(input_layer[:,:, slicing])

remove it from the class我.experimental_get_tracing_count() def Mimic_RNN(self, step_input, step_state) 请看下面：

def Initialize_Variable(input_dim, units):
    w_init = tf.random_normal_initializer()
    b_init = tf.zeros_initializer()
    w_0 = tf.Variable(initial_value=w_init(shape=(input_dim, units))) 
    b_0 = tf.Variable(initial_value=b_init(shape=(units)))
    return w_0, b_0

def Initialize_One_Variable(input_dim, units):
    w_init = tf.random_uniform_initializer()
    R_kernal = tf.Variable(initial_value=w_init(shape=(input_dim, units))) 
    return R_kernal

class Hard_Code_RNN_Layer(keras.layers.Layer):
    def __init__(self, input_tuple, Sequencee=True, **kwargs):
        super(Hard_Code_RNN_Layer, self).__init__()
        input_shape, units = input_tuple       
        self.Hidden_Size = (int)(input_shape * 0.85)
        self.inputshape = input_shape
        self.units = units
        self.thiseq = Sequencee
        self.Uz = Initialize_One_Variable(self.Hidden_Size, self.Hidden_Size)
        self.Ur = Initialize_One_Variable(self.Hidden_Size, self.Hidden_Size)
        self.w_hz, self.b_hz    = Initialize_Variable(self.units, self.Hidden_Size)
        self.w_out, self.b_out  = Initialize_Variable(self.Hidden_Size,self.units)
        self.w_0, self.b_0  = Initialize_Variable(self.inputshape,self.units)

    def get_config(self):
        cfg = super().get_config()
        return cfg 

    def Layer_Method(inputs, w_h, b_h):
        return tf.matmul(inputs, w_h) + b_h
    
    def Mimic_RNN(self, step_input, step_state):  <-----------input_signature_this
        x__j = self.Layer_Method(step_input, self.w_0, self.b_0)
        r = tf.sigmoid(tf.matmul(step_state, self.Ur))
        z = tf.sigmoid(tf.matmul(step_state, self.Uz))
        h__ = tf.nn.relu(tf.matmul(x__j, self.w_hz) +  tf.multiply(r, step_state) + self.b_hz) 
        h = (1-z) * h__ + z * step_state
        output__ = tf.nn.relu(tf.matmul(h, self.w_out) + self.b_out)
        
        return output__, h
    
    def call(self, inputs):
        unstack = tf.unstack(inputs, axis=1)
        out1, hiddd = self.Mimic_RNN(step_input=unstack[0], step_state=tf.zeros_like(unstack[0][:,0:self.Hidden_Size]))
        out2, hiddd = self.Mimic_RNN(step_input=unstack[1], step_state=hiddd)
        out3, hiddd = self.Mimic_RNN(step_input=unstack[2], step_state=hiddd)
        
        if(self.thiseq):
            return tf.stack([out1, out2, out3], axis =1 )  
        else:
            return out3

Answer 1

您实际上可以将input_signature与 class 方法一起使用。 在输入签名规范中只需忽略初始self参数，因此您只需为其他参数提供tf.TensorSpec 。

例如：

import tensorflow as tf

class MyClass:
    @tf.function(input_signature=(tf.TensorSpec([None], tf.float32),
                                  tf.TensorSpec([None], tf.float32)))
    def my_method(self, a, b):
        return a + b

tf.print(MyClass().my_method([1, 2, 3], [4]))
# 5, 6, 7

Answer 2

如果您指定输入签名，则 python function 的所有输入都必须可转换为Tensor 。 在这种情况下， self持有对调用该方法的实例的引用，并且不能转换为张量。 您只是不能在A_method input_signature上指定 input_signature。

但是，仍然可以从 class 装饰方法，因为 TensorFlow 将检测 function 是否是一种方法，如果是这种情况，将自动删除self参数。 您可以查看源代码：

if self._is_method:
  # Remove `self`: default arguments shouldn't be matched to it.
  # TODO(b/127938157): Should this error out if there is no arg to
  # be removed?
  args = fullargspec.args[1:]

值得注意的是，如果在 class 之外定义了方法，则此检查将失败。 （检查依赖于标准库inspect模块中的ismethod ）。 由于self不能转换为 Tensor，因此被修饰的方法在调用时会抛出错误。

在 class 定义之外定义方法并不是最佳实践：它使代码更难阅读，也更难使用。 您可以查看该问题以获取更多详细信息： 在 class 定义之外定义方法？ . The python way of reusing logic between classes is either to use inheritance, or to define a function that does not depend on the attributes of the object (or where those attributes are passed as argument to the function).