|
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 (2).继承Model类 import tensorflow as tf 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( 具体方法如下： x = Input(shape=(32,)) 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) 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 |
|
|
