【原】【TensorFlow2.0】以后我們再也離不開Keras了？

有三AI 2020-11-27

展開全文

TensorFlow2.0 Alpha版已經(jīng)發(fā)布，在2.0中最重要的API或者說到處都出現(xiàn)的API是誰，那無疑是Keras。因此用過2.0的人都會吐槽全世界都是Keras。今天我們就來說說Keras這個(gè)高級API。

作者 | 湯興旺

編輯 | 湯興旺

1 Keras概述

在TensorFlow2.0中，Keras是一個(gè)用于構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型的高階 API。因此如果你正在使用TensorFow2.0，那么使用Keras構(gòu)建深度學(xué)習(xí)模型是您的不二選擇。在Keras API中總共有如下三大塊：

在Modules中有構(gòu)建訓(xùn)練模型各種必備的組件，如激活函數(shù)activations、損失函數(shù)losses、優(yōu)化器optimizers等；在Class中有Sequential和Model兩個(gè)類，它們用來堆疊模型；在Functions中有Input()函數(shù)，它用來實(shí)例化張量。

因此若您使用的深度學(xué)習(xí)框架是TensorFlow，而且是2.0版本，那么你就不可能不使用tensorflow.keras。這也就是使用過TensorFlow2.0版本的都在吐槽全世界都是Keras的原因。

2 Modules

通過上面的介紹，我們知道在Modules中有activations、losses、optimizers等構(gòu)建訓(xùn)練模型時(shí)各種必備的組件。下圖就是Modules中有所的模塊。

下面我們詳細(xì)說說里面最常見的幾個(gè)模塊應(yīng)該如何使用。

1. 常用的數(shù)據(jù)集（datasets）

在TensorFlow2.0中，常用的數(shù)據(jù)集需要使用tf.keras.datasets來加載，在datasets中有如下數(shù)據(jù)集。

對于上圖中的數(shù)據(jù)集我們可以像下面這樣加載

(train_images,train_labels),(test_images,test_labels)= keras.datasets.fashion_mnist.load_data()

當(dāng)然我們平時(shí)使用的數(shù)據(jù)集肯定不在于此，這些數(shù)據(jù)集都是些最基礎(chǔ)的數(shù)據(jù)集。對于自己的數(shù)據(jù)如何讀取，請期待我們下次的分享。

2. 神經(jīng)網(wǎng)絡(luò)層（Layers）

在構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)模型時(shí)，我們需要定制各種各樣的層結(jié)構(gòu)。這時(shí)候就要用到layers了，下圖是TensorFlow2.0中部分層，它們都是Layer的子類。

那么我們?nèi)绾问褂胠ayer來構(gòu)建模型呢？方法如下：

from tensorflow.keras import layers

layers.Conv2D()

layers.MaxPool2D()

layers.Flatten()

layers.Dense()

3. 激活函數(shù)（Optimizers）

在構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)時(shí)，我們經(jīng)常需要選擇激活函數(shù)來使網(wǎng)絡(luò)的表達(dá)能力更強(qiáng)。下面將介紹TensorFlow2.0中的激活函數(shù)及它們應(yīng)該在TensorFlow2.0中該如何使用。下圖是TensorFlow2.0中部分激活函數(shù)：

from tensorflow.keras import layers

layers.Conv2D(...,activation='relu')

layers.Dense(...,activation='softmax'）

4. 優(yōu)化器（activations）

通常當(dāng)我們準(zhǔn)備好數(shù)據(jù)，設(shè)計(jì)好模型后，我們就需要選擇一個(gè)合適的優(yōu)化器（Optimizers）對模型進(jìn)行優(yōu)化。下面將介紹TensorFlow2.0中的優(yōu)化器及他們應(yīng)該在TensorFlow2.0中該如何使用。下圖是TensorFlow2.0中所有的優(yōu)化器，它們都是Optimizer的子類。

對于優(yōu)化器的使用你可以像下面這樣使用：

optimizers = tf.keras.optimizers.Adam()

optimizers = tf.keras.optimizers.SGD()

...

5. 損失函數(shù)（Losses）

我們知道當(dāng)我們設(shè)計(jì)好模型時(shí)我們需要優(yōu)化模型，所謂的優(yōu)化就是優(yōu)化網(wǎng)絡(luò)權(quán)值使損失函數(shù)值變小，但是損失函數(shù)變小是否能代表精度越高呢？那么多的損失函數(shù)，我們又該如何選擇呢？接下來我們了解下在TensorFlow2.0中如何使用損失函數(shù)。下圖是TensorFlow2.0中所有的損失函數(shù)，它們都是Loss的子類。

對于損失函數(shù)的使用你可以像下面這樣使用：

loss = tf.keras.losses.SparseCategoricalCrossentropy()

loss = tf.keras.losses.mean_squared_error()

...

3 Class

在Class中有Sequential和Model兩個(gè)類，它們分別是用來堆疊網(wǎng)絡(luò)層和把堆疊好的層實(shí)例化可以訓(xùn)練的模型。

1. Model

對于實(shí)例化Model有下面兩種方法

(1).使用keras.Model API

import tensorflow as tf
inputs = tf.keras.Input(shape=(3,))
x=tf.keras.layers.Dense(4,activation=tf.nn.relu(inputs)
outputs=tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x)
model=tf.keras.Model(inputs=inputs, outputs=outputs)

(2).繼承Model類

import tensorflow as tf
class MyModel(tf.keras.Model):
def __init__(self):
super(MyModel, self).__init__()
self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)
def call(self, inputs):
x = self.dense1(inputs)
return self.dense2(x)
model = MyModel()

2. Sequential

在TensorFlow2.0中，我們可以使用Sequential模型。具體方式如下：

model = keras.Sequential()

model = model.add(layers.Conv2D(input_shape=(x_train.shape[1], x_train.shape[2],x_train.shape[3]),filters=32,kernel_size=(3,3), strides=(1,1), padding='valid',activation='relu'))

model.add(layers.MaxPool2D(pool_size=(2,2)))

model.add(layers.Flatten())model.add(layers.Dense(32,activation='relu'))

model.add(layers.Dense(10, activation='softmax'))

model.compile(optimizer=keras.optimizers.Adam(),loss=keras.losses.SparseCategoricalCrossentropy(),metrics=['accuracy'])

4 Functions

在Functions中，有一個(gè)Input函數(shù)，其用來實(shí)例化Keras張量。對于Input函數(shù)，它有如下參數(shù)

tf.keras.Input(
shape=None,
batch_size=None,
name=None,
dtype=None,
sparse=False,
tensor=None,
**kwargs
)

具體方法如下：

x = Input(shape=(32,))
y = Dense(16, activation='softmax')(x)
model = Model(x, y)

5 簡單的圖像分類模型實(shí)例

#1導(dǎo)入相應(yīng)的API

import tensorflow as tf

from tensorflow import keras

from tensorflow.keras import layers

#2加載數(shù)據(jù)

(train_images,train_labels),(test_images,test_labels)= keras.datasets.fashion_mnist.load_data()

#3構(gòu)建網(wǎng)絡(luò)

model = keras.Sequential()

model = model.add(layers.Conv2D(input_shape=(x_train.shape[1], x_train.shape[2],x_train.shape[3]),filters=32,kernel_size=(3,3), strides=(1,1), padding='valid',activation='relu'))

model.add(layers.MaxPool2D(pool_size=(2,2)))

model.add(layers.Flatten())model.add(layers.Dense(32,activation='relu'))

model.add(layers.Dense(10, activation='softmax'))

model.compile(optimizer=keras.optimizers.Adam(),loss=keras.losses.SparseCategoricalCrossentropy(),metrics=['accuracy'])

#4模型顯示

model.summary()

#5模型訓(xùn)練

model_train=model.fit(x_train, y_train, batch_size=64, epochs=5, validation_split=0.1)

總結(jié)

在本講中，我們簡單的了解了TensorFlow2.0中高級API Keras是如何使用的，我們可以看到Keras真的是無處不在，如果你想學(xué)好TensorFlow2.0，那么你必須掌握好Kears。

下期預(yù)告：如何讀取自己的數(shù)據(jù)集及數(shù)據(jù)的使用。

最近直播