作者:Rohan Jagtap
编译:ronghuaiyang
导读
掌握这些可以更高效的模型的提高开发效率。
TensorFlow 2.x在构建模型和TensorFlow的整体使用方面提供了很多简单性。那么TF2有什么新变化呢?
使用Keras轻松构建模型,立即执行。
可在任何平台上进行强大的模型部署。
强大的研究实验。
通过清理过时的API和减少重复来简化API。
在本文中,我们将探索TF 2.0的10个特性,这些特性使得使用TensorFlow更加顺畅,减少了代码行数并提高了效率。
1(a). tf.data 构建输入管道
tf.data提供了数据管道和相关操作的功能。我们可以建立管道,映射预处理函数,洗牌或批处理数据集等等。
从tensors构建管道
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
>>> iter(dataset).next().numpy()
8
构建Batch并打乱
# Shuffle
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).shuffle(6)
>>> iter(dataset).next().numpy()
0
# Batch
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).batch(2)
>>> iter(dataset).next().numpy()
array([8, 3], dtype=int32)
# Shuffle and Batch
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).shuffle(6).batch(2)
>>> iter(dataset).next().numpy()
array([3, 0], dtype=int32)
把两个Datsets压缩成一个
>>> dataset0 = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
>>> dataset1 = tf.data.Dataset.from_tensor_slices([1, 2, 3, 4, 5, 6])
>>> dataset = tf.data.Dataset.zip((dataset0, dataset1))
>>> iter(dataset).next()
(<tf.Tensor: shape=(), dtype=int32, numpy=8>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
映射外部函数
def into_2(num):
return num * 2
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).map(into_2)
>>> iter(dataset).next().numpy()
16
1(b). ImageDataGenerator
这是tensorflow.keras API的最佳特性之一。ImageDataGenerator能够在批处理和预处理以及数据增强的同时实时生成数据集切片。
生成器允许直接从目录或数据目录中生成数据流。
ImageDataGenerator中关于数据增强的一个误解是,它向现有数据集添加了更多的数据。虽然这是数据增强的实际定义,但是在ImageDataGenerator中,数据集中的图像在训练的不同步骤被动态地变换,使模型可以在未见过的有噪数据上进行训练。
train_datagen = ImageDataGenerator(
rescale=1./255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True
)
在这里,对所有样本进行重新缩放(用于归一化),而其他参数用于增强。
train_generator = train_datagen.flow_from_directory(
'data/train',
target_size=(150, 150),
batch_size=32,
class_mode='binary'
)
我们为实时数据流指定目录。这也可以使用dataframes来完成。
train_generator = flow_from_dataframe(
dataframe,
x_col='filename',
y_col='class',
class_mode='categorical',
batch_size=32
)
x_col参数定义图像的完整路径,而y_col参数定义用于分类的标签列。
模型可直接用生成器来喂数据。需要指定steps_per_epoch参数,即number_of_samples // batch_size.
model.fit(
train_generator,
validation_data=val_generator,
epochs=EPOCHS,
steps_per_epoch=(num_samples // batch_size),
validation_steps=(num_val_samples // batch_size)
)
2. 使用tf.image做数据增强
数据增强是必要的。在数据不足的情况下,对数据进行更改并将其作为单独的数据点来处理,是在较少数据下进行训练的一种非常有效的方式。
tf.image API中有用于转换图像的工具,然后可以使用tf.data进行数据增强。
flipped = tf.image.flip_left_right(image)
visualise(image, flipped)
saturated = tf.image.adjust_saturation(image, 5)
visualise(image, saturated)
rotated = tf.image.rot90(image)
visualise(image, rotated)
cropped = tf.image.central_crop(image, central_fraction=0.5)
visualise(image, cropped)
3. TensorFlow Datasets
pip install tensorflow-datasets
这是一个非常有用的库,因为它包含了TensorFlow从各个领域收集的非常著名的数据集。
import tensorflow_datasets as tfds
mnist_data = tfds.load("mnist")
mnist_train, mnist_test = mnist_data["train"], mnist_data["test"]
assert isinstance(mnist_train, tf.data.Dataset)
tensorflow-datasets中可用的数据集的详细列表可以在:https://www.tensorflow.org/datasets/catalog/overview中找到。
tfds提供的数据集类型包括:音频,图像,图像分类,目标检测,结构化数据,摘要,文本,翻译,视频。
4. 使用预训练模型进行迁移学习
迁移学习是机器学习中的一项新技术,非常重要。如果一个基准模型已经被别人训练过了,而且训练它需要大量的资源(例如:多个昂贵的gpu,一个人可能负担不起)。转移学习,解决了这个问题。预先训练好的模型可以在特定的场景中重用,也可以为不同的场景进行扩展。
TensorFlow提供了基准的预训练模型,可以很容易地为所需的场景扩展。
base_model = tf.keras.applications.MobileNetV2(
input_shape=IMG_SHAPE,
include_top=False,
weights='imagenet'
)
这个base_model可以很容易地通过额外的层或不同的模型进行扩展。如:
model = tf.keras.Sequential([
base_model,
global_average_layer,
prediction_layer
])
5. Estimators
估计器是TensorFlow对完整模型的高级表示,它被设计用于易于扩展和异步训练
预先制定的estimators提供了一个非常高级的模型抽象,因此你可以直接集中于训练模型,而不用担心底层的复杂性。例如:
linear_est = tf.estimator.LinearClassifier(
feature_columns=feature_columns
)
linear_est.train(train_input_fn)
result = linear_est.evaluate(eval_input_fn)
这显示了使用tf.estimator. Estimators构建和训练estimator是多么容易。estimator也可以定制。
TensorFlow有许多estimator ,包括LinearRegressor,BoostedTreesClassifier等。
6. 自定义层
神经网络以许多层深网络而闻名,其中层可以是不同的类型。TensorFlow包含许多预定义的层(如density, LSTM等)。但对于更复杂的体系结构,层的逻辑要比基础的层复杂得多。对于这样的情况,TensorFlow允许构建自定义层。这可以通过子类化tf.keras.layers来实现。
class CustomDense(tf.keras.layers.Layer):
def __init__(self, num_outputs):
super(CustomDense, self).__init__()
self.num_outputs = num_outputs
def build(self, input_shape):
self.kernel = self.add_weight(
"kernel",
shape=[int(input_shape[-1]),
self.num_outputs]
)
def call(self, input):
return tf.matmul(input, self.kernel)
正如在文档中所述,实现自己的层的最好方法是扩展 tf.keras.Layer类并实现:
_init_,你可以在这里做所有与输入无关的初始化。
build,其中你知道输入张量的形状,然后可以做剩下的初始化工作。
call,在这里进行前向计算。
虽然kernel的初始化可以在*_init_中完成,但是最好在build中进行初始化,否则你必须在创建新层的每个实例上显式地指定input_shape*。
7. 自定义训练
tf.keras Sequential 和Model API使得模型的训练更加容易。然而,大多数时候在训练复杂模型时,使用自定义损失函数。此外,模型训练也可能不同于默认训练(例如,分别对不同的模型组件求梯度)。
TensorFlow的自动微分有助于有效地计算梯度。这些原语用于定义自定义训练循环。
def train(model, inputs, outputs, learning_rate):
with tf.GradientTape() as t:
# Computing Losses from Model Prediction
current_loss = loss(outputs, model(inputs))
# Gradients for Trainable Variables with Obtained Losses
dW, db = t.gradient(current_loss, [model.W, model.b])
# Applying Gradients to Weights
model.W.assign_sub(learning_rate * dW)
model.b.assign_sub(learning_rate * db)
这个循环可以在多个epoch中重复,并且根据用例使用更定制的设置。
8. Checkpoints
保存一个TensorFlow模型可以有两种方式:
SavedModel:保存模型的完整状态以及所有参数。这是独立于源代码的。
model.save_weights('checkpoint')
Checkpoints
Checkpoints 捕获模型使用的所有参数的值。使用Sequential API或Model API构建的模型可以简单地以SavedModel格式保存。
然而,对于自定义模型,checkpoints是必需的。
检查点不包含模型定义的计算的任何描述,因此通常只有当源代码可用时,保存的参数值才有用。
保存 Checkpoint
checkpoint_path = “save_path”
# Defining a Checkpoint
ckpt = tf.train.Checkpoint(model=model, optimizer=optimizer)
# Creating a CheckpointManager Object
ckpt_manager = tf.train.CheckpointManager(ckpt, checkpoint_path, max_to_keep=5)
# Saving a Model
ckpt_manager.save()
从 Checkpoint 加载模型
TensorFlow从被加载的对象开始,通过遍历带有带有名字的边的有向图来将变量与检查点值匹配。
if ckpt_manager.latest_checkpoint:
ckpt.restore(ckpt_manager.latest_checkpoint)
9. Keras Tuner
这是TensorFlow中的一个相当新的特性。
!pip install keras-tuner
超参数调优调优是对定义的ML模型配置的参数进行筛选的过程。在特征工程和预处理之后,这些因素是模型性能的决定性因素。
# model_builder is a function that builds a model and returns it
tuner = kt.Hyperband(
model_builder,
objective='val_accuracy',
max_epochs=10,
factor=3,
directory='my_dir',
project_name='intro_to_kt'
)
除了HyperBand之外,BayesianOptimization和RandomSearch 也可用于调优。
tuner.search(
img_train, label_train,
epochs = 10,
validation_data=(img_test,label_test),
callbacks=[ClearTrainingOutput()]
)
# Get the optimal hyperparameters
best_hps = tuner.get_best_hyperparameters(num_trials=1)[0]
然后,我们使用最优超参数训练模型:
model = tuner.hypermodel.build(best_hps)
model.fit(
img_train,
label_train,
epochs=10,
validation_data=(img_test, label_test)
)
10. 分布式训练
如果你有多个GPU,并且希望通过分散训练循环在多个GPU上优化训练,TensorFlow的各种分布式训练策略能够优化GPU的使用,并为你操纵GPU上的训练。
tf.distribute.MirroredStrategy是最常用的策略。它是如何工作的呢?
所有的变量和模型图被复制成副本。
输入均匀分布在不同的副本上。
每个副本计算它接收到的输入的损失和梯度。
同步的所有副本的梯度并求和。
同步后,对每个副本上的变量进行相同的更新。
strategy = tf.distribute.MirroredStrategy()with strategy.scope():
model = tf.keras.Sequential([
tf.keras.layers.Conv2D(
32, 3, activation='relu', input_shape=(28, 28, 1)
),
tf.keras.layers.MaxPooling2D(),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(10)
])
model.compile(
loss="sparse_categorical_crossentropy",
optimizer="adam",
metrics=['accuracy']
)
—END—
英文原文:https://towardsdatascience.com/10-tensorflow-tricks-every-ml-practitioner-must-know-96b860e53c1