目錄
- 1.導(dǎo)入tf.keras
- 2.構(gòu)建簡單模型
- 2.1模型堆疊
- 2.2網(wǎng)絡(luò)配置
- 3.訓(xùn)練和評估
- 3.1設(shè)置訓(xùn)練流程
- 3.2輸入Numpy數(shù)據(jù)
- 3.3tf.data輸入數(shù)據(jù)
- 3.4評估與預(yù)測
- 4.構(gòu)建高級模型
- 4.1函數(shù)式api
- 4.2模型子類化
- 4.3自定義層
- 4.3回調(diào)
- 5保持和恢復(fù)
- 5.1權(quán)重保存
- 5.2保存網(wǎng)絡(luò)結(jié)構(gòu)
- 5.3保存整個模型
- 6.將keras用于Estimator
Keras 是一個用于構(gòu)建和訓(xùn)練深度學(xué)習模型的高階 API。它可用于快速設(shè)計原型、高級研究和生產(chǎn)。 keras的3個優(yōu)點:
方便用戶使用、模塊化和可組合、易于擴展
1.導(dǎo)入tf.keras
tensorflow2推薦使用keras構(gòu)建網(wǎng)絡(luò),常見的神經(jīng)網(wǎng)絡(luò)都包含在keras.layer中(最新的tf.keras的版本可能和keras不同)
import tensorflow as tf
from tensorflow.keras import layers
print(tf.__version__)
print(tf.keras.__version__)
2.構(gòu)建簡單模型
2.1模型堆疊
最常見的模型類型是層的堆疊:tf.keras.Sequential 模型
model = tf.keras.Sequential()
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
2.2網(wǎng)絡(luò)配置
tf.keras.layers中網(wǎng)絡(luò)配置:
activation:設(shè)置層的激活函數(shù)。此參數(shù)由內(nèi)置函數(shù)的名稱指定,或指定為可調(diào)用對象。默認情況下,系統(tǒng)不會應(yīng)用任何激活函數(shù)。
kernel_initializer 和 bias_initializer:創(chuàng)建層權(quán)重(核和偏差)的初始化方案。此參數(shù)是一個名稱或可調(diào)用對象,默認為 “Glorot uniform” 初始化器。
kernel_regularizer 和 bias_regularizer:應(yīng)用層權(quán)重(核和偏差)的正則化方案,例如 L1 或 L2 正則化。默認情況下,系統(tǒng)不會應(yīng)用正則化函數(shù)。
layers.Dense(32, activation='sigmoid')
layers.Dense(32, activation=tf.sigmoid)
layers.Dense(32, kernel_initializer='orthogonal')
layers.Dense(32, kernel_initializer=tf.keras.initializers.glorot_normal)
layers.Dense(32, kernel_regularizer=tf.keras.regularizers.l2(0.01))
layers.Dense(32, kernel_regularizer=tf.keras.regularizers.l1(0.01))
3.訓(xùn)練和評估
3.1設(shè)置訓(xùn)練流程
構(gòu)建好模型后,通過調(diào)用 compile 方法配置該模型的學(xué)習流程:
model = tf.keras.Sequential()
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.categorical_crossentropy,
metrics=[tf.keras.metrics.categorical_accuracy])
3.2輸入Numpy數(shù)據(jù)
import numpy as np
train_x = np.random.random((1000, 72))
train_y = np.random.random((1000, 10))
val_x = np.random.random((200, 72))
val_y = np.random.random((200, 10))
model.fit(train_x, train_y, epochs=10, batch_size=100,
validation_data=(val_x, val_y))
3.3tf.data輸入數(shù)據(jù)
dataset = tf.data.Dataset.from_tensor_slices((train_x, train_y))
dataset = dataset.batch(32)
dataset = dataset.repeat()
val_dataset = tf.data.Dataset.from_tensor_slices((val_x, val_y))
val_dataset = val_dataset.batch(32)
val_dataset = val_dataset.repeat()
model.fit(dataset, epochs=10, steps_per_epoch=30,
validation_data=val_dataset, validation_steps=3)
3.4評估與預(yù)測
test_x = np.random.random((1000, 72))
test_y = np.random.random((1000, 10))
model.evaluate(test_x, test_y, batch_size=32)
test_data = tf.data.Dataset.from_tensor_slices((test_x, test_y))
test_data = test_data.batch(32).repeat()
model.evaluate(test_data, steps=30)
# predict
result = model.predict(test_x, batch_size=32)
print(result)
4.構(gòu)建高級模型
4.1函數(shù)式api
tf.keras.Sequential 模型是層的簡單堆疊,無法表示任意模型。使用 Keras 函數(shù)式 API 可以構(gòu)建復(fù)雜的模型拓撲,例如:
多輸入模型,
多輸出模型,
具有共享層的模型(同一層被調(diào)用多次),
具有非序列數(shù)據(jù)流的模型(例如,殘差連接)。
使用函數(shù)式 API 構(gòu)建的模型具有以下特征:
層實例可調(diào)用并返回張量。
輸入張量和輸出張量用于定義 tf.keras.Model 實例。
此模型的訓(xùn)練方式和 Sequential 模型一樣。
input_x = tf.keras.Input(shape=(72,))
hidden1 = layers.Dense(32, activation='relu')(input_x)
hidden2 = layers.Dense(16, activation='relu')(hidden1)
pred = layers.Dense(10, activation='softmax')(hidden2)
model = tf.keras.Model(inputs=input_x, outputs=pred)
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.categorical_crossentropy,
metrics=['accuracy'])
model.fit(train_x, train_y, batch_size=32, epochs=5)
4.2模型子類化
通過對 tf.keras.Model 進行子類化并定義您自己的前向傳播來構(gòu)建完全可自定義的模型。在 init 方法中創(chuàng)建層并將它們設(shè)置為類實例的屬性。在 call 方法中定義前向傳播
class MyModel(tf.keras.Model):
def __init__(self, num_classes=10):
super(MyModel, self).__init__(name='my_model')
self.num_classes = num_classes
self.layer1 = layers.Dense(32, activation='relu')
self.layer2 = layers.Dense(num_classes, activation='softmax')
def call(self, inputs):
h1 = self.layer1(inputs)
out = self.layer2(h1)
return out
def compute_output_shape(self, input_shape):
shape = tf.TensorShapej(input_shape).as_list()
shape[-1] = self.num_classes
return tf.TensorShape(shape)
model = MyModel(num_classes=10)
model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),
loss=tf.keras.losses.categorical_crossentropy,
metrics=['accuracy'])
model.fit(train_x, train_y, batch_size=16, epochs=5)
4.3自定義層
通過對 tf.keras.layers.Layer 進行子類化并實現(xiàn)以下方法來創(chuàng)建自定義層:
build:創(chuàng)建層的權(quán)重。使用 add_weight 方法添加權(quán)重。
call:定義前向傳播。
compute_output_shape:指定在給定輸入形狀的情況下如何計算層的輸出形狀。
或者,可以通過實現(xiàn) get_config 方法和 from_config 類方法序列化層。
class MyLayer(layers.Layer):
def __init__(self, output_dim, **kwargs):
self.output_dim = output_dim
super(MyLayer, self).__init__(**kwargs)
def build(self, input_shape):
shape = tf.TensorShape((input_shape[1], self.output_dim))
self.kernel = self.add_weight(name='kernel1', shape=shape,
initializer='uniform', trainable=True)
super(MyLayer, self).build(input_shape)
def call(self, inputs):
return tf.matmul(inputs, self.kernel)
def compute_output_shape(self, input_shape):
shape = tf.TensorShape(input_shape).as_list()
shape[-1] = self.output_dim
return tf.TensorShape(shape)
def get_config(self):
base_config = super(MyLayer, self).get_config()
base_config['output_dim'] = self.output_dim
return base_config
@classmethod
def from_config(cls, config):
return cls(**config)
model = tf.keras.Sequential(
[
MyLayer(10),
layers.Activation('softmax')
])
model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),
loss=tf.keras.losses.categorical_crossentropy,
metrics=['accuracy'])
model.fit(train_x, train_y, batch_size=16, epochs=5)
4.3回調(diào)
callbacks = [
tf.keras.callbacks.EarlyStopping(patience=2, monitor='val_loss'),
tf.keras.callbacks.TensorBoard(log_dir='./logs')
]
model.fit(train_x, train_y, batch_size=16, epochs=5,
callbacks=callbacks, validation_data=(val_x, val_y))
5保持和恢復(fù)
5.1權(quán)重保存
model = tf.keras.Sequential([
layers.Dense(64, activation='relu'),
layers.Dense(10, activation='softmax')])
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss='categorical_crossentropy',
metrics=['accuracy'])
model.save_weights('./weights/model')
model.load_weights('./weights/model')
model.save_weights('./model.h5')
model.load_weights('./model.h5')
5.2保存網(wǎng)絡(luò)結(jié)構(gòu)
# 序列化成json
import json
import pprint
json_str = model.to_json()
pprint.pprint(json.loads(json_str))
fresh_model = tf.keras.models.model_from_json(json_str)
# 保持為yaml格式 #需要提前安裝pyyaml
yaml_str = model.to_yaml()
print(yaml_str)
fresh_model = tf.keras.models.model_from_yaml(yaml_str)
5.3保存整個模型
model = tf.keras.Sequential([
layers.Dense(10, activation='softmax', input_shape=(72,)),
layers.Dense(10, activation='softmax')
])
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
model.fit(train_x, train_y, batch_size=32, epochs=5)
model.save('all_model.h5')
model = tf.keras.models.load_model('all_model.h5')
6.將keras用于Estimator
Estimator API 用于針對分布式環(huán)境訓(xùn)練模型。它適用于一些行業(yè)使用場景,例如用大型數(shù)據(jù)集進行分布式訓(xùn)練并導(dǎo)出模型以用于生產(chǎn)
model = tf.keras.Sequential([layers.Dense(10,activation='softmax'),
layers.Dense(10,activation='softmax')])
model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),
loss='categorical_crossentropy',
metrics=['accuracy'])
estimator = tf.keras.estimator.model_to_estimator(model)
到此這篇關(guān)于tensorflow2.0教程之Keras快速入門的文章就介紹到這了,更多相關(guān)Keras快速入門內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
您可能感興趣的文章:- 一小時學(xué)會TensorFlow2之基本操作1實例代碼
- 詳解TensorFlow2實現(xiàn)前向傳播
- 詳解TensorFlow2實現(xiàn)線性回歸
- tensorflow2 自定義損失函數(shù)使用的隱藏坑
- tensorflow2.0實現(xiàn)復(fù)雜神經(jīng)網(wǎng)絡(luò)(多輸入多輸出nn,Resnet)
- 一小時學(xué)會TensorFlow2基本操作之合并分割與統(tǒng)計