TensorFlow模型开发

环境准备

介绍如何在昇腾平台上部署TensorFlow模型的开发运行环境。

• 《环境准备（TensorFlow 1.15）》
• 《环境准备（TensorFlow 2.6.5）》

模型迁移

介绍如何将基于TensorFlow 1.15或TensorFlow 2.6.5框架的Python训练脚本迁移到昇腾平台执行，并达到精度性能最优，关键内容如下：

• 自动迁移：通过迁移工具迁移，迁移工具可将原生的TensorFlow训练脚本自动迁移成昇腾平台支持的脚本，对于少量无法自动迁移的API，可以参考工具输出的迁移报告，对训练脚本进行相应的适配修改。
• 手工迁移：算法工程师需要参考文档人工分析TensorFlow训练脚本的API支持度，并进行相应API的修改，以支持在昇腾平台上执行，该种方式相对复杂。
• 模型训练：迁移成功的脚本在昇腾平台上执行单Device训练或分布式训练。
• 精度调优：当迁移后的模型在昇腾平台上功能调通，但遇到精度不达标或收敛效果差的场景下，可参考本章内容进行精度调优。
• 性能调优：迁移后的模型在昇腾平台上功能调通，但遇到性能不达标的问题，可参考本节内容进行性能调优。

• 《TensorFlow 1.15模型迁移指南》
• 《TensorFlow 2.6.5模型迁移指南》

TensorFlow Parser Scope融合规则开发

指导开发人员如何开发TensorFlow框架的Scope融合规则，把Scope内的多个小算子替换为一个大算子或多个算子组合，以提升TensorFlow计算图在昇腾AI处理器上的执行效率。

本文档适用于模型开发人员，通过本文档您可以达成：

• 了解Scope融合的实现方案和实现方法。
• 能够基于本文档中的样例，扩展进行其它Scope融合规则的开发。

《TensorFlow Parser Scope融合规则开发指南》

TensorFlow Parser Scope融合规则参考

Scope融合是一种基于Scope来进行融合的能力，把Scope内的多个小算子替换为一个大算子或多个算子组合，以实现效率的提升。

本文主要介绍内置的Scope融合规则。

《TensorFlow Parser Scope融合规则参考》

API参考

介绍TF Adapter以及TF Parser Scope融合规则开发提供的相关API说明。

• 《TF Adapter API（1.x）》
• 《TF Adapter API（2.x）》
• 《TF Parser Scope融合规则开发API》