常見的‘融合'操作
復雜神經網絡模型的實現離不開"融合"操作。常見融合操作如下：
（1）求和，求差
# 求和
layers.Add(inputs)
# 求差
layers.Subtract(inputs)
inputs: 一個輸入張量的列表（列表大小至少為 2）,列表的shape必須一樣才能進行求和(求差)操作。
例子：
input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
added = keras.layers.add([x1, x2])
out = keras.layers.Dense(4)(added)
model = keras.models.Model(inputs=[input1, input2], outputs=out)
（2）乘法
# 輸入張量的逐元素乘積(對應位置元素相乘，輸入維度必須相同)
layers.multiply(inputs)
# 輸入張量樣本之間的點積
layers.dot(inputs, axes, normalize=False)
dot即矩陣乘法，例子1：
x = np.arange(10).reshape(1, 5, 2)
y = np.arange(10, 20).reshape(1, 2, 5)
# 三維的輸入做dot通常像這樣指定axes,表示矩陣的第一維度和第二維度參與矩陣乘法，第0維度是batchsize
tf.keras.layers.Dot(axes=(1, 2))([x, y])
# 輸出如下：
tf.Tensor: shape=(1, 2, 2), dtype=int64, numpy=
array([[[260, 360],
[320, 445]]])>
例子2：
x1 = tf.keras.layers.Dense(8)(np.arange(10).reshape(5, 2))
x2 = tf.keras.layers.Dense(8)(np.arange(10, 20).reshape(5, 2))
dotted = tf.keras.layers.Dot(axes=1)([x1, x2])
dotted.shape
TensorShape([5, 1])
（3）聯合：
# 所有輸入張量通過 axis 軸串聯起來的輸出張量。
layers.add(inputs,axis=-1)
- inputs: 一個列表的輸入張量（列表大小至少為 2）。
- axis: 串聯的軸。
例子：
x1 = tf.keras.layers.Dense(8)(np.arange(10).reshape(5, 2))
x2 = tf.keras.layers.Dense(8)(np.arange(10, 20).reshape(5, 2))
concatted = tf.keras.layers.Concatenate()([x1, x2])
concatted.shape
TensorShape([5, 16])
（4）統計操作
求均值layers.Average()
input1 = tf.keras.layers.Input(shape=(16,))
x1 = tf.keras.layers.Dense(8, activation='relu')(input1)
input2 = tf.keras.layers.Input(shape=(32,))
x2 = tf.keras.layers.Dense(8, activation='relu')(input2)
avg = tf.keras.layers.Average()([x1, x2])
# x_1 x_2 的均值作為輸出
print(avg)
# tf.Tensor 'average/Identity:0' shape=(None, 8) dtype=float32>
out = tf.keras.layers.Dense(4)(avg)
model = tf.keras.models.Model(inputs=[input1, input2], outputs=out)
layers.Maximum()用法相同。
具有多個輸入和輸出的模型
假設要構造這樣一個模型：
（1）模型具有以下三個輸入
工單標題（文本輸入），工單的文本正文（文本輸入），以及用戶添加的任何標簽（分類輸入）
（2）模型將具有兩個輸出：
- 介于 0 和 1 之間的優先級分數（標量 Sigmoid 輸出）
- 應該處理工單的部門（部門范圍內的 Softmax 輸出）。
模型大概長這樣：
接下來開始創建這個模型。
（1）模型的輸入
num_tags = 12
num_words = 10000
num_departments = 4
title_input = keras.Input(shape=(None,), name="title") # Variable-length sequence of ints
body_input = keras.Input(shape=(None,), name="body") # Variable-length sequence of ints
tags_input = keras.Input(shape=(num_tags,), name="tags") # Binary vectors of size `num_tags`
（2）將輸入的每一個詞進行嵌入成64-dimensional vector
title_features = layers.Embedding(num_words,64)(title_input)
body_features = layers.Embedding(num_words,64)(body_input)
（3）處理結果輸入LSTM模型，得到 128-dimensional vector
title_features = layers.LSTM(128)(title_features)
body_features = layers.LSTM(32)(body_features)
（4）concatenate融合所有的特征
x = layers.concatenate([title_features, body_features, tags_input])
（5）模型的輸出
# 輸出1，回歸問題
priority_pred = layers.Dense(1,name="priority")(x)
# 輸出2，分類問題
department_pred = layers.Dense(num_departments,name="department")(x)
（6）定義模型
model = keras.Model(
inputs=[title_input, body_input, tags_input],
outputs=[priority_pred, department_pred],
)
（7）模型編譯
編譯此模型時，可以為每個輸出分配不同的損失。甚至可以為每個損失分配不同的權重，以調整其對總訓練損失的貢獻。
model.compile(
optimizer=keras.optimizers.RMSprop(1e-3),
loss={
"priority": keras.losses.BinaryCrossentropy(from_logits=True),
"department": keras.losses.CategoricalCrossentropy(from_logits=True),
},
loss_weights=[1.0, 0.2],
)
（8）模型的訓練
# Dummy input data
title_data = np.random.randint(num_words, size=(1280, 10))
body_data = np.random.randint(num_words, size=(1280, 100))
tags_data = np.random.randint(2, size=(1280, num_tags)).astype("float32")
# Dummy target data
priority_targets = np.random.random(size=(1280, 1))
dept_targets = np.random.randint(2, size=(1280, num_departments))
# 通過字典的形式將數據fit到模型
model.fit(
{"title": title_data, "body": body_data, "tags": tags_data},
{"priority": priority_targets, "department": dept_targets},
epochs=2,
batch_size=32,
)
ResNet 模型
通過add來實現融合操作，模型的基本結構如下：
# 實現第一個塊
_input = keras.Input(shape=(32,32,3))
x = layers.Conv2D(32,3,activation='relu')(_input)
x = layers.Conv2D(64,3,activation='relu')(x)
block1_output = layers.MaxPooling2D(3)(x)
# 實現第二個塊
x = layers.Conv2D(64,3,padding='same',activation='relu')(block1_output)
x = layers.Conv2D(64,3,padding='same',activation='relu')(x)
block2_output = layers.add([x,block1_output])
# 實現第三個塊
x = layers.Conv2D(64, 3, activation="relu", padding="same")(block2_output)
x = layers.Conv2D(64, 3, activation="relu", padding="same")(x)
block_3_output = layers.add([x, block2_output])
# 進入全連接層
x = layers.Conv2D(64,3,activation='relu')(block_3_output)
x = layers.GlobalAveragePooling2D()(x)
x = layers.Dense(256, activation="relu")(x)
x = layers.Dropout(0.5)(x)
outputs = layers.Dense(10)(x)
模型的定義與編譯：
model = keras.Model(_input,outputs,name='resnet')
model.compile(
optimizer=keras.optimizers.RMSprop(1e-3),
loss='sparse_categorical_crossentropy',
metrics=["acc"],
)
模型的訓練
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
# 歸一化
x_train = x_train.astype("float32") / 255
x_test = x_test.astype("float32") / 255
model.fit(tf.expand_dims(x_train,-1), y_train, batch_size=64, epochs=1, validation_split=0.2)
注：當loss = =keras.losses.CategoricalCrossentropy(from_logits=True)時，需對標簽進行one-hot：
y_train = keras.utils.to_categorical(y_train, 10)
到此這篇關于tensorflow2.0實現復雜神經網絡(多輸入多輸出nn，Resnet)的文章就介紹到這了,更多相關tensorflow2.0復雜神經網絡內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關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:- 手把手教你使用TensorFlow2實現RNN
- windows系統Tensorflow2.x簡單安裝記錄(圖文)
- TensorFlow2基本操作之合并分割與統計
- 詳解TensorFlow2實現前向傳播
- Python強化練習之Tensorflow2 opp算法實現月球登陸器
