首頁人工智能技術資訊正文

tf.keras 實現深度學習

更新時間:2022-02-15 來源:黑馬程序員 瀏覽量:

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)。

tf.keras是什么

常用模塊

tf.keras中常用模塊如下表所示:


模塊概述
activations激活函數
applications預訓練網絡模塊
Callbacks在模型訓練期間被調用
datasetstf.keras數據集模塊,包括boston_housing,cifar10,fashion_mnist,imdb ,mnist
layersKeras層API
losses各種損失函數
metircs各種評價指標
models模型創(chuàng)建模塊,以及與模型相關的API
optimizers優(yōu)化方法
preprocessingKeras數據的預處理模塊
regularizers正則化,L1,L2等
utils輔助功能實現

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。

深度學習常用方法

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')
保存整個模型:
# 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')





猜你喜歡:

Numpy數組運算【黑馬程序員】

SIFT算法原理:SIFT算法詳細介紹

線性回歸定義和線性回歸方程公式

黑馬程序員Ai人工智能開發(fā)培訓班

分享到:
在線咨詢 我要報名
和我們在線交談!