内容简介:TensorFlow2.0 Alpha版已经发布,在2.0中最重要的API或者说到处都出现的API是谁,那无疑是Keras。因此用过2.0的人都会吐槽全世界都是Keras。今天我们就来说说Keras这个高级API。作者 | 汤兴旺编辑 | 汤兴旺
TensorFlow2.0 Alpha版已经发布,在2.0中最重要的API或者说到处都出现的API是谁,那无疑是Keras。因此用过2.0的人都会吐槽全世界都是Keras。今天我们就来说说Keras这个高级API。
作者 | 汤兴旺
编辑 | 汤兴旺
1 Keras概述
在TensorFlow2.0中,Keras是一个用于构建和训练深度学习模型的高阶 API。因此如果你正在使用TensorFow2.0,那么使用Keras构建深度学习模型是您的不二选择。在Keras API中总共有如下三大块:
在Modules中有构建训练模型各种必备的组件,如激活函数activations、损失函数losses、优化器optimizers等;在Class中有Sequential和Model两个类,它们用来堆叠模型;在Functions中有Input()函数,它用来实例化张量。
因此若您使用的深度学习框架是TensorFlow,而且是2.0版本,那么你就不可能不使用tensorflow.keras。这也就是使用过TensorFlow2.0版本的都在吐槽全世界都是Keras的原因。
2 Modules
通过上面的介绍,我们知道在Modules中有activations、losses、optimizers等构建训练模型时各种必备的组件。下图就是Modules中有所的模块。
下面我们详细说说里面最常见的几个模块应该如何使用。
1. 常用的数据集(datasets)
在TensorFlow2.0中,常用的数据集需要使用tf.keras.datasets来加载,在datasets中有如下数据集。
对于上图中的数据集我们可以像下面这样加载
(train_images,train_labels),(test_images,test_labels)= keras.datasets.fashion_mnist.load_data()
当然我们平时使用的数据集肯定不在于此,这些数据集都是些最基础的数据集。对于自己的数据如何读取,请期待我们下次的分享。
2. 神经网络层(Layers)
在构建深度学习网络模型时,我们需要定制各种各样的层结构。这时候就要用到layers了,下图是TensorFlow2.0中部分层,它们都是Layer的子类。
那么我们如何使用layer来构建模型呢?方法如下:
from tensorflow.keras import layers
layers.Conv2D()
layers.MaxPool2D()
layers.Flatten()
layers.Dense()
3. 激活函数(Optimizers)
在构建深度学习网络时,我们经常需要选择激活函数来使网络的表达能力更强。下面将介绍TensorFlow2.0中的激活函数及它们应该在TensorFlow2.0中该如何使用。下图是TensorFlow2.0中部分激活函数:
from tensorflow.keras import layers
layers.Conv2D(...,activation='relu')
layers.Dense(...,activation='softmax')
4. 优化器(activations)
通常当我们准备好数据,设计好模型后,我们就需要选择一个合适的优化器(Optimizers)对模型进行优化。下面将介绍TensorFlow2.0中的优化器及他们应该在TensorFlow2.0中该如何使用。下图是TensorFlow2.0中所有的优化器,它们都是Optimizer的子类。
对于优化器的使用你可以像下面这样使用:
optimizers = tf.keras.optimizers.Adam()
optimizers = tf.keras.optimizers.SGD()
...
5. 损失函数(Losses)
我们知道当我们设计好模型时我们需要优化模型,所谓的优化就是优化网络权值使损失函数值变小,但是损失函数变小是否能代表精度越高呢?那么多的损失函数,我们又该如何选择呢?接下来我们了解下在TensorFlow2.0中如何使用损失函数。下图是TensorFlow2.0中所有的损失函数,它们都是Loss的子类。
对于损失函数的使用你可以像下面这样使用:
loss = tf.keras.losses.SparseCategoricalCrossentropy()
loss = tf.keras.losses.mean_squared_error()
...
3 Class
在Class中有Sequential和Model两个类,它们分别是用来堆叠网络层和把堆叠好的层实例化可以训练的模型。
1 . Model
对于实例化Model有下面两种方法
(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).继承Model类
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,我们可以使用Sequential模型。具体方式如下:
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,有一个Input函数,其用来实例化Keras张量。对于Input函数,它有如下参数
tf.keras.Input(
shape=None,
batch_size=None,
name=None,
dtype=None,
sparse=False,
tensor=None,
**kwargs
)
具体方法如下:
x = Input(shape=(32,))
y = Dense(16, activation='softmax')(x)
model = Model(x, y)
5 简单的图像分类模型实例
#1导入相应的API
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
#2加载数据
(train_images,train_labels),(test_images,test_labels)= keras.datasets.fashion_mnist.load_data()
#3构建网络
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模型显示
model.summary()
#5模型训练
model_train=model.fit(x_train, y_train, batch_size=64, epochs=5, validation_split=0.1)
总结
在本讲中,我们简单的了解了TensorFlow2.0中高级API Keras是如何使用的,我们可以看到Keras真的是无处不在,如果你想学好TensorFlow2.0,那么你必须掌握好Kears。
下期预告:如何读取自己的数据集及数据的使用。
最近直播
今日看图猜技术
网络结构
更多精彩内容请关注知乎专栏《有三AI学院》
转载文章请后台联系
侵权必究
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- IoT万亿市场离不开A,更离不开S
- 离不开的微服务架构,脱不开的 RPC 细节
- 软件开发为什么离不开文档?
- 未来的发展中 谷歌离不开AI和机器学习
- IT建设离不开云和容器部署,2019他们的趋势是?
- 微软:AI 和 ML 的发展离不开云计算和开源
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Building Web Reputation Systems
Randy Farmer、Bryce Glass / Yahoo Press / 2010 / GBP 31.99
What do Amazon's product reviews, eBay's feedback score system, Slashdot's Karma System, and Xbox Live's Achievements have in common? They're all examples of successful reputation systems that enable ......一起来看看 《Building Web Reputation Systems》 这本书的介绍吧!