炼数成金 门户 大数据 Python 查看内容

一文读懂TensorFlow 2.0高阶API

2019-11-11 11:18| 发布者: 炼数成金_小数| 查看: 21977| 评论: 0|原作者: 赵英俊|来自: 前沿技墅

摘要: 在TensorFlow 2.0中对大量的高阶API库进行了删减与合并,根据官方的解释,这一切的变化都是为了使TensorFlow2.0更加易用和简洁。本文以官方推荐的唯一高阶API库tf.keras为主,概括地介绍TensorFlow 2.0的高阶API。tf ...

网络 工具 模型 框架 神经网络 Tensorflow

在TensorFlow 2.0中对大量的高阶API库进行了删减与合并,根据官方的解释,这一切的变化都是为了使TensorFlow2.0更加易用和简洁。本文以官方推荐的高阶API库tf.keras为主,概括地介绍TensorFlow 2.0的高阶API。

tf.keras高阶API概览
在TensorFlow 2.0版本中完全移除了tf.contrib这个高阶API库,官方推荐的高阶API只有tf.keras。Keras是一个意在降低机器学习编程入门门槛的项目,其在业界拥有众多的拥护者和使用者。经过Keras社区的多年发展,Keras集成了很多符合工业和研究需求的高阶API,使用这些API只需要几行代码就可以构建和运行一个非常复杂的神经网络。TensorFlow官方社区首次宣布发布TensorFlow 2.0版本计划时就明确了Keras会深度融合到TensorFlow中,并且作为官方支持的高阶API。下面我们看看官方文档中提到的tf.keras下的接口模块。 

activations:tf.keras.actibations中包含了当前主流的激活函数,可以直接通过该API进行激活函数的调用。

applications:tf.keras.applications中包含的是已经进行预训练的神经网络模型,可以直接进行预测或者迁移学习。目前该模块中包含了主流的神经网络结构。

backend:tf.keras.backend中包含了Keras后台的一些基础API接口,用于实现高阶API或者自己构建神经网络。

datasets:tf.keras.datasets中包含了常用的公开数据训练集,可以直接进行使用(需要翻 墙),数据集有CIFAR-100、Boston Housing等。

layers:tf.keras.layers中包含了已经定义好的常用的神经网络层。

losses:tf.keras.losses中包含了常用的损失函数,可以根据实际需求直接进行调用。

optimizers:tf.keras.optimizers中包含了主流的优化器,可以直接调用API使用。比如Adm等优化器可以直接调用,然后配置所需要的参数即可。

preprocessing:tf.keras.preprocessing中包含了数据处理的一些方法,分为图片数据处理、语言序列处理、文本数据处理等,比如NLP常用的pad_sequences等,在神经网络模型训练前的数据处理上提供了非常强大的功能。

regularizers:tf.keras.regularizers中提供了常用的正则化方法,包括L1、L2等正则化方法。

wrappers:tf.keras.wrappers是一个Keras模型的包装器,当需要进行跨框架迁移时,可以使用该API接口提供与其他框架的兼容性。

Sequential类:tf.keras.Sequential可以让我们将神经网络层进行线性组合形成神经网络结构。

tf.keras高阶API编程
为节省篇幅,本文不再结合实践案例详细讲解主要高阶API的使用,而是以构建一个线性回归模型为例介绍TensorFlow 2.0高阶API的使用。

1. 使用tf.keras高阶API构建神经网络模型

在TensorFlow 2.0中可以使用高阶API tf.keras.Sequential进行神经网络模型的构建。示例代码如下: 

1.  #导入所需要的依赖包 

2.  import tensorflow as tf 

3.  import numpy as np 

4.   

5.  #实例化一个tf.keras.Sequential 

6.  model=tf.keras.Sequential() 

7.  #使用Sequential的add方法添加一层全连接神经网络

8.  model.add(tf.keras.layers.Dense(input_dim=1,units=1)) 

9.   

10.#使用Sequential的compile方法对神经网络模型进行编译,loss函数使用MSE,optimizer使用SGD(随机梯度下降)

11.model.compile(loss='mse',optimizer='sgd') 

2. 使用tf.keras高阶API训练神经网络模型
在完成神经网络模型的构建和编译之后,需要准备训练数据,然后对神经网络模型进行训练。可以使用tf.keras.Sequential的fit方法进行训练,示例代码如下: 

1.  #随机生成一些训练数据,在-10到10的范围内生成700个等差数列作为训练输入

2.  X = np.linspace(-10, 10, 700) 

3.  #通过一个简单的算法生成Y数据,模拟训练数据的标签 

4.  Y=2*X+100+np.random.normal(0, 0.1, (700, )) 

5.  #开始训练,“verbose=1”表示以进度条的形式显示训练信息,“epochs=200”表示训练的epochs为200,“validation_split=0.2”表示分离20%的数据作为验证数据

6.  model.fit(X,Y,verbose=1,epochs=200,validation_split=0.2) 

3. 使用tf.keras高阶API保存神经网络模型

在完成神经网络模型的训练之后,可以使用Sequential的save方法将训练的神经网络模型保存为H5格式的模型文件。示例代码如下: 

1.  filename='line_model.h5' 

2.  model.save(filename) 

3.  print("保存模型为line_model.h5") 

4. 使用tf.keras高阶API加载模型进行预测

加载神经网络模型需要使用tf.keras.models.load_model这个API,在完成模型的加载后可以使用Sequential的predict方法进行预测。示例代码如下: 

1.  x=tf.constant([0.5]) 

2.  model=tf.keras.models.load_model(filename) 

3.  y=model.predict(x) 

4.  print(y)

本文节选自博文视点新书《走向TensorFlow 2.0:深度学习应用编程快速入门》。本书探讨了开源机器学习软件库TensorFlow 2.0的诸多应用实践,内容涵盖各种热门的应用场景,包括图像识别、自然语言对话机器人、基于生成网络的图片风格迁移、文本情感分析等。该书是为“应用落地”而编写的,附有大量代码及注释,可帮助读者最快速度实现框架入门与应用落地。

声明:本文版权归原作者所有,文章收集于网络,为传播信息而发,如有侵权,请联系小编及时处理,谢谢!

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括:各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754

鲜花

握手

雷人

路过

鸡蛋

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

 

GMT+8, 2019-12-15 00:08 , Processed in 0.127314 second(s), 25 queries .