在操作张量的时候，需要同时考虑到多个维度、张量形状和 DType 兼容性，同时也不能落下数学正确性。此外，还需从数百个 TensorFlow 算子中做出选择，要找到合适的运算也是一项挑战。
与其对张量操作直接编码，能不能用一个说明性示例进行演示并自动获取相应代码呢？TensorFlow Coder (TF-Coder) 告诉您：能！
TF-Coder 是一款协助编写 TensorFlow 代码的 程序合成 工具。首先需要给出所需张量变换的输入 - 输出示例。然后，TF-Coder 通过运行组合搜索，查找执行该变换的 TensorFlow 表达式。并最终输出可以在您的项目中直接使用的实际的 TensorFlow 代码。
有个一分钟左右的 视频 介绍了 TF-Coder，此 Colab notebook 可以让您使用 TF-Coder 工具来解决张量操作问题。
那么，TF-Coder 可以在哪些场景中起到作用呢？
通过示例在 TensorFlow 中编程
假设您想通过广播的方式将一个 M 元素向量与一个 N 元素向量“相加”，生成一个包含所有成对和的 M x N 矩阵。不必在 TensorFlow 文档中挖空心思地寻找，只需提供一个输入 - 输出示例（使用 M = 3 和 N = 4 )：
输入张量，用作将输入变量名映射到示例张量值的字典：
inputs = {
'rows': [10, 20, 30],
'cols': [1, 2, 3, 4],
}
对应的输出张量：
output = [[11, 12, 13, 14],
[21, 22, 23, 24],
[31, 32, 33, 34]]
基于以上信息（默认已经输入到 TF-Coder Colab），TF-Coder 工具将立即自动找到合适的 TensorFlow 代码：
tf.add(cols, tf.expand_dims(rows, 1))
上面通过简单的问题，说明了 TF-Coder 利用示例编程的思想。TF-Coder 还可以解决更棘手的问题：
用 TF-Coder 找到合适的函数
假设您正在处理一个数字特征，比方说某物品的价格，数据集中的价格范围很广，例如从少于 10 美元到超过 1000 美元。如果直接使用这些价格作为特征，则模型可能会出现过拟合，并且在评估过程中也可能难以处理离群价格。
为了解决上述问题，可能需要通过 分桶 (Bucketing) 将数字价格转换为分类特征。例如，使用 [10, 50, 100, 1000] 的 bucket 边界表示低于 10 美元的价格应该落入 bucket0，10 美元到 50 美元之间的价格落入 bucket1，以此类推。
确定 bucket 边界之后，如何使用 TensorFlow 将数字价格实际映射到 bucket 索引呢？例如，给定以下 bucket 边界和物品价格：
# Input tensors
boundaries = [10, 50, 100, 1000]
prices = [15, 3, 50, 90, 100, 1001]
您要计算每个物品的 bucket 编号：
# Output tensor
bucketed_prices = [1, 0, 2, 2, 3, 4]
虽然 TensorFlow 自带多种分桶运算，但要弄清楚每种分桶对应的具体运算可能会比较棘手。由于 TF-Coder 可以通过行为识别数百种张量运算，因此您可以提供输入 - 输出示例来查找正确的运算：
# Input-output example
inputs = {
'boundaries': [10, 50, 100, 1000],
'prices': [15, 3, 50, 90, 100, 1001],
}
output = [1, 0, 2, 2, 3, 4]
只需几秒钟，TF-Coder 就会输出以下解决方案：
tf.searchsorted(boundaries, prices, side='right')
这给了我们一个有用的提示， tf.searchsorted 的文档也证实这段代码确实按需执行了分桶。
TF-Coder 帮助您巧妙组合函数
现在来思考另一个问题：计算一个 0-1 张量，标识输入张量的每一行的最大元素。
# Input tensor
scores = [[0.7, 0.2, 0.1],
[0.4, 0.5, 0.1],
[0.4, 0.4, 0.2],
[0.3, 0.4, 0.3],
[0.0, 0.0, 1.0]]
# Output tensor
top_scores = [[1, 0, 0],
[0, 1, 0],
[1, 0, 0],
[0, 1, 0],
[0, 0, 1]]
有一点需要注意，如果同一最大元素在一行内多次出现，比如 scores 的第三行，那么只需要标记第一个此类最大元素，让 top_scores 的每一行正好有一个 1 的条目。
与上一个问题不同，没有单个 TensorFlow 函数可以执行此计算。如果在文档中搜索“max”，可能会发现 tf.reduce_max 、 tf.argmax 和 tf.maximum 都是相关的，但是应该使用哪一个呢？ tf.reduce_max 输出 [0.7, 0.5, 0.4, 0.4, 1.0] ， tf.argmax 输出 [0, 1, 0, 1, 2] ，而 tf.maximum 不合适，因为它需要两个参数。这些都不是我们期望的输出。
TF-Coder 可以帮助解决此类难题。您可以把问题编写为输入 - 输出示例的形式：
# Input-output example
inputs = {
'scores': [[0.7, 0.2, 0.1],
[0.4, 0.5, 0.1],
[0.4, 0.4, 0.2],
[0.3, 0.4, 0.3],
[0.0, 0.0, 1.0]],
}
output = [[1, 0, 0],
[0, 1, 0],
[1, 0, 0],
[0, 1, 0],
[0, 0, 1]]
TF-Coder 组合 tf.one_hot 和 tf.argmax 为这一问题提供了简洁的解决方案：
tf.cast(tf.one_hot(tf.argmax(scores, axis=1), 3), tf.int32)
TF-Coder 详细搜索 TensorFlow 运算组合后，经常能够找到这样的优雅解决方案，让您的 TensorFlow 程序更精简、更快速。
用 TF-Coder编写正确代码, 节省调试时间
试着用每一行除以该行的总和来将整数计数列表归一化为概率分布。例如：
# Input tensor
counts = [[0, 1, 0, 0],
[0, 1, 1, 0],
[1, 1, 1, 1]]
# Output tensor
normalized = [[0.0, 1.0, 0.0, 0.0],
[0.0, 0.5, 0.5, 0.0],
[0.25, 0.25, 0.25, 0.25]]
即使您知道要使用的相关函数（ tf.reduce_sum 后接 tf.divide ），也不容易写出正确的代码。第一次尝试可能是这样的：
# First attempt
normalized = tf.divide(counts, tf.reduce_sum(counts, axis=1))
这样做对吗？有许多潜在的缺陷需要考虑：
- 求和轴正不正确？有没有可能是
axis=0？ counts和tf.reduce_sum(counts, axis=1)的形状是否兼容除法？需不需要重塑或转置？counts和tf.reduce_sum(counts, axis=1)都是tf.int32张量。tf.int32张量可以被除吗？还是需要先将它们转换成浮点 DType？- 这两个参数的顺序是否正确？应该互换吗？
- 输出的类型是
tf.int32、tf.float32还是其他类型？ - 有没有更简单或者更好的方法？
您可以使用以下输入输出示例把这个任务交给 TF-Coder：
# Input-output example
inputs = {
'counts': [[0, 1, 0, 0],
[0, 1, 1, 0],
[1, 1, 1, 1]],
}
output = [[0.0, 1.0, 0.0, 0.0],
[0.0, 0.5, 0.5, 0.0],
[0.25, 0.25, 0.25, 0.25]]
TF-Coder 的解决方案：
tf.cast(tf.divide(counts, tf.expand_dims(tf.reduce_sum(counts, axis=1), axis=1)), tf.float32)
使用 TF-Coder 解决问题可以减轻练习的心理负担。当 TF-Coder 输出上述解决方案时，可以保证代码在示例输入上运行时正确生成示例输出。TF-Coder 的解决方案也会避免所有不必要的步骤。因此，您可以快速推导出上述大部分问题的答案：需要额外的 tf.expand_dims 步骤使形状与除法兼容，而且 tf.divide 的结果必须转换为 tf.float32 （事实上 tf.divide 在除以两个 tf.int32 张量时会返回一个 tf.float64 张量）。通过这种方式，TF-Coder 可以帮助您写出简洁又正确的代码，免去调试周期的痛苦。
注意事项
TF-Coder 也有一定局限性。目前，它可以在一分钟的搜索时间内找到涉及 3-4 个运算的解决方案，但涉及 6 个或更多复杂运算的解决方案时，无法在合理的时间内找到。此外，TF-Coder 尚不支持复数、字符串张量或者不规则张量。支持的完整算子列表见 Colab notebook。
此外，TF-Coder 只保证其解决方案适用于给定的输入 - 输出示例。工具会搜索一个简单的 TensorFlow 表达式来匹配所提供的输入 - 输出示例，但有时这个解决方案过于简单，不能按预期方式进行泛化。让示例尽可能的明确可能会有所帮助，这可通过在输入和输出张量上添加更多数字来实现。请查看 TF-Coder 的解决方案，以确保它们实现预期行为。
亲身体验一下 TF-Coder 吧！
记得试一试 TF-Coder！即使是 Google 的 TensorFlow 老用户也可以在 TF-Coder 的帮助下不断了解新鲜事物。
您可以使用这个 Colab notebook 访问工具：无需下载或安装。按照 此教程 进行详细的演练。您也可以在 GitHub 上查看我们的代码和文档，还可以阅读我们的 研究论文。
注：在 Colab 工具中，我们希望记录 TF-Coder 收到的问题以及产生的解决方案，由此改进工具并建立数据集，在总体上加速程序合成研究，但此为可选项，并非强制。
原文：Introducing TF-Coder, a tool that writes tricky TensorFlow expressions for you!
中文：TensorFlow 微信公众号