tf.keras 實現深度學習

tf.keras是TensorFlow 2.0的高階API接口，為TensorFlow的代碼提供了新的風格和設計模式，大大提升了TF代碼的簡潔性和復用性，官方也推薦使用tf.keras來進行模型設計和開發(fā)。

常用模塊

tf.keras中常用模塊如下表所示：

常用方法

深度學習實現的主要流程：1.數據獲取，2，數據處理，3.模型創(chuàng)建與訓練，4 模型測試與評估，5.模型預測。

1.導入tf.keras

使用 tf.keras，首先需要在代碼開始時導入tf.keras。

import tensorflow as tf
from tensorflow import keras

2.數據輸入

對于小的數據集，可以直接使用numpy格式的數據進行訓練、評估模型，對于大型數據集或者要進行跨設備訓練時使用tf.data.datasets來進行數據輸入。

3.模型構建

• 簡單模型使用Sequential進行構建
• 復雜模型使用函數式編程來構建
• 自定義layers

4.訓練與評估

• 配置訓練過程：

# 配置優(yōu)化方法，損失函數和評價指標
model.compile(optimizer=tf.train.AdamOptimizer(0.001),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

模型訓練:

# 指明訓練數據集，訓練epoch,批次大小和驗證集數據model.fit/fit_generator(dataset, epochs=10, 
                        batch_size=3,
          validation_data=val_dataset,
          )

模型評估：

# 指明評估數據集和批次大小
model.evaluate(x, y, batch_size=32)

模型預測：

# 對新的樣本進行預測
model.predict(x, batch_size=32)

5.回調函數(callbacks)

回調函數用在模型訓練過程中，來控制模型訓練行為，可以自定義回調函數，也可使用tf.keras.callbacks 內置的 callback ：

ModelCheckpoint：定期保存 checkpoints。 LearningRateScheduler：動態(tài)改變學習速率。 EarlyStopping：當驗證集上的性能不再提高時，終止訓練。 TensorBoard：使用 TensorBoard 監(jiān)測模型的狀態(tài)。

6.模型的保存和恢復

只保存參數:

# 只保存模型的權重
model.save_weights('./my_model')
# 加載模型的權重
model.load_weights('my_model')

# 保存模型架構與權重在h5文件中
model.save('my_model.h5')
# 加載模型：包括架構和對應的權重
model = keras.models.load_model('my_model.h5')