精品中文字幕一区二区三区av,国产精品视频福利,亚洲精品久久久蜜桃

主頁 > 知識庫 > tensorflow2.0教程之Keras快速入門

tensorflow2.0教程之Keras快速入門

1.導入tf.keras

tensorflow2推薦使用keras構建網絡，常見的神經網絡都包含在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網絡配置

tf.keras.layers中網絡配置：

activation：設置層的激活函數。此參數由內置函數的名稱指定，或指定為可調用對象。默認情況下，系統不會應用任何激活函數。

kernel_initializer 和 bias_initializer：創建層權重（核和偏差）的初始化方案。此參數是一個名稱或可調用對象，默認為 “Glorot uniform” 初始化器。

kernel_regularizer 和 bias_regularizer：應用層權重（核和偏差）的正則化方案，例如 L1 或 L2 正則化。默認情況下，系統不會應用正則化函數。

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.訓練和評估

3.1設置訓練流程

構建好模型后，通過調用 compile 方法配置該模型的學習流程：

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數據

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輸入數據

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.構建高級模型

4.1函數式api

tf.keras.Sequential 模型是層的簡單堆疊，無法表示任意模型。使用 Keras 函數式 API 可以構建復雜的模型拓撲，例如：

多輸入模型，

多輸出模型，

具有共享層的模型（同一層被調用多次），

具有非序列數據流的模型（例如，殘差連接）。

使用函數式 API 構建的模型具有以下特征：

層實例可調用并返回張量。

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建完全可自定義的模型。在 init 方法中創建層并將它們設置為類實例的屬性。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 進行子類化并實現以下方法來創建自定義層：

build：創建層的權重。使用 add_weight 方法添加權重。

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 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

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

5.1權重保存

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保存網絡結構

# 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 用于針對分布式環境訓練模型。它適用于一些行業使用場景，例如用大型數據集進行分布式訓練并導出模型以用于生產

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)

到此這篇關于tensorflow2.0教程之Keras快速入門的文章就介紹到這了,更多相關Keras快速入門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: