操作张量并非易事，因为它需要很多先决条件，例如跟踪多个维度，Dtype兼容性，数学正确性和张量形状等。当然最大的挑战还是从数百种可用选项中确定正确的TensorFlow操作。

假如不需要你进行对张量操纵进行编码，你只需要通过一个说明性的例子来演示，有个工具就能生成相应的代码，你会选择这个工具么？如果会的话，谷歌的TensorFlow Coder（TF-Coder）可以帮你实现这一点。

TF-Coder是一个程序合成工具，可以帮助你编写TensorFlow代码，首先，这个工具需要输入所需张量变换的输入-输出示例。然后，它会运行一个组合搜索来查找执行转换的TensorFlow表达式。TF-Coder的输出是真实的TensorFlow代码，你可以直接将它用在你的项目中。

接着，我们再来详细介绍一下TF-Coder是如何帮助你编写TensorFlow代码。

在TensorFlow中的编程示例

假如你想将包含 M 个元素的向量（下例中指‘rows’）和包含 N 个元素的向量“想加”，生成一个包含所有成对和的 M x N 矩阵。你可以提供一个输入输出示例（如M=3和N=4），而不需要深入研究TensorFlow文档来找出如何做到这一点。

输入张量：

inputs = {  'rows': [10, 20, 30],  'cols': [1, 2, 3, 4],  }

所提供的输入张量对应的期望输出张量:

output = [[11, 12, 13, 14],  [21, 22, 23, 24],  [31, 32, 33, 34]]

给定这些信息（默认情况下已经输入到TF-Coder Colab中），TF-Coder工具会在零点几秒内自动找到合适的TensorFlow代码：

tf.add(cols, tf.expand_dims(rows, 1))

上面的问题非常简单，只是通过示例来说明编程的思想。TF-Coder对于更难的问题也很有用。

TF-Coder帮助你找到要使用的正确函数

假设我们正在处理一个数学问题，比如商品的价格，数据集中范围很广，从$10以下到$1000以上。如果这些价格被直接用作特征，那么你的模型可能会对训练数据中的特定价格过度拟合。

假如要处理这些问题，你可能需要使用bucketing将数字价格转换成类别特征。使用bucket边界 [10, 50, 100, 1000] 意味着低于10美元的价格应归入bucket 0，10美元至50美元的价格应归入bucket 1，依此类推。

选择bucket边界之后，如何使用TensorFlow将实际价格映射到bucket索引？诸如给定以下bucket边界和物品价格：

# Input tensors  boundaries = [10, 50, 100, 1000]  prices = [15, 3, 50, 90, 100, 1001]

计算每个项的bucket编号：

# Output tensor  bucketed_prices = [1, 0, 2, 2, 3, 4]

尽管TensorFlow提供了各种bucketing操作，但要找出哪个特定的操作执行这种确切的bucketing可能比较棘手。由于TF-Coder可以通过行为识别数百个张量操作，你可以通过提供一个输入-输出示例来查找正确的操作：

# Input-output example  inputs = {  'boundaries': [10, 50, 100, 1000],  'prices': [15, 3, 50, 90, 100, 1001],  }  output = [1, 0, 2, 2, 3, 4]

很快，TF-Coder就会输出如下解决方案：

tf.searchsorted(boundaries, prices, side='right')

TF-Coder通过聪明的方式结合函数

现在我们来考虑另一个问题：计算一个0-1的张量，它能识别输入张量每一行中的最大元素。

# 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]]

注意，如果同一最大元素在一行中出现多次，比如在第三行scores中，那么应该只标记第一个最大元素，以便top_scores的每行只有一个结果。

和上个问题不同的是，这里不存在可执行该计算的 TensorFlow 函数。在文档中搜索「max」，你可能找到 tf.reduce_max、tf.argmax 和 tf.maximum，但也不清楚到底该用哪一个？tf.reduce_max 输出 [0.7, 0.5, 0.4, 0.4, 1.0]，tf.argmax 输出 [0, 1, 0, 1, 2]，tf.maximum 不合适，因为它只能容纳两个参数。这些函数似乎都与该示例的期望输出关联不大。

对于此类问题，TF-Coder也可以快速解决。你可以把这个问题写成输入输出例子的形式

# 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结合使用tf.one_hot和tf.argmax，得出一个解决方案：

tf.cast(tf.one_hot(tf.argmax(scores, axis=1), 3), tf.int32)

通过对TensorFlow操作组合的详细搜索，TF-Coder经常会找到类似这样的优雅解决方案，这可能会简化并加速TensorFlow程序的开发。

关于TF-Coder的用法还有很多，这里就不一一列举了，相信你已经见识到他的强大了，最后附上TF-Coder相关地址：

Github地址：https://github.com/google-research/tensorflow-coder

Google Colab 试用地址：https://colab.research.google.com/github/google-research/tensorflow-coder/blob/master/TF-Coder_Colab.ipynb