Tensorflow之知识图谱---（2）Keras快速入门

目录

一、数据集：鸢尾花数据集 iris

二、Keras顺序模型Sequential()

三、使用Keras函数式编程

1.Input函数 

 2.用model自带save函数保存数据

四、使用TensorFlow标准化编译

1.数据输入形式的改变

2.构建网络层级

3.建立模型 Model

4.编译模型 compile

5.训练模型 fit

6.模型评价 evaluate

---

一、数据集：鸢尾花数据集 iris

一般的机器学习工具自带iris数据集 --- sklearn包中

• sklearn包安装：一定要注意版本冲突！！！

pip install -U scikit-learn 

• 下载好后直接调用

from sklearn.datasets import load_iris 

data = load_iris()

二、Keras顺序模型Sequential()

import numpy as np
import tensorflow as tf

from sklearn.datasets import load_iris
data=load_iris()
iris_target = data.target
iris_data = np.float32(data.data)

iris_target = np.float32(tf.keras.utils.to_categorical(iris_target,num_classes=3))
iris_data = tf.data.Dataset.from_tensor_slices(iris_data).batch(50)
iris_target = tf.data.Dataset.from_tensor_slices(iris_target).batch(50)

model = tf.keras.models.Sequential()

model.add(tf.keras.layers.Dense(32,activation='relu'))
model.add(tf.keras.layers.Dense(64,activation='relu'))
model.add(tf.keras.layers.Dense(3,activation='softmax'))

opt = tf.optimizers.Adam(1e-3)

for epoch in range(1000):
    for _data,label in zip(iris_data,iris_target):
        with tf.GradientTape() as tape:
            logits = model(_data)
            loss_value = tf.reduce_mean(tf.keras.losses.categorical_crossentropy(y_true=label,y_pred =logits))
            grads = tape.gradient(loss_value,model.trainable_variables)
            opt.apply_gradients(zip(grads,model.trainable_variables))

    print("epoch",epoch,"'s training loss is:",loss_value.numpy())

•  顺序模型：先定义model 再model.add（）来添加网络层

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(32,activation='relu'))
model.add(tf.keras.layers.Dense(64,activation='relu'))
model.add(tf.keras.layers.Dense(3,activation='softmax'))

•  模型训练 初始化思路

for epoch in range(1000):
    for _data,label in zip(iris_data,iris_target):
        with tf.GradientTape() as tape:
            logits = model(_data)
            loss_value = tf.reduce_mean(tf.keras.losses.categorical_crossentropy(y_true=label,y_pred =logits))
            grads = tape.gradient(loss_value,model.trainable_variables)
            opt.apply_gradients(zip(grads,model.trainable_variables))

1. tf.GradientTape() ：梯度求解器（求导）
2. logits：模型预测结果
3. loss_value:误差值
4. grads：计算误差的幅度
5. opt.apply_gradients：根据误差幅度进行梯度更新
6. trainable_variables：模型中可训练的变量

三、使用Keras函数式编程

• 顺序模型自由度有较大影响：需要对输入数据进行重新计算时，顺序模型不适用。 
• 函数式编程：只需要建立模型，导入输入和输出的“形式参数”即可。

#1.输入端
inputs= tf.keras.layers.Input(shape=(4,))

#2.中间层
x = tf.keras.layers.Dense(32,activation='relu')(inputs)
x = tf.keras.layers.Dense(64,activation='relu')(x)

#3.输出端：直接将计算的最后一个层座位输出端
predictions= tf.keras.layers.Dense(3,activation='softmax')(x)

model= tf.keras.Model(inputs=inputs,outputs = predictions)

1.Input函数 

 tf.keras.Input(

        shape=None,                       #形状元组 shape=（32，）---输入是32维向量

        batch_size=None,                #静态批量的大小--整数

        name=None,                        #自定图层名字（一般不要重复

        dtype=None,                        #数据类型（float32、float64...

        sparse=False,                      #布尔值False/True 是否创建稀疏占位符

        tensor=None...)                   #可选现有张量包裹到Input图层 True--不创建占位符张量

 2.用model自带save函数保存数据

• 保存模型 

#保存模型
model.save('./saver/model2-2.h5')

•  复用模型

import numpy as np
import tensorflow as tf

from sklearn.datasets import load_iris
data=load_iris()
iris_target = data.target
iris_data = np.float32(data.data)
iris_target = np.float32(tf.keras.utils.to_categorical(iris_target,num_classes=3))

new_model = tf.keras.models.load_model('./saver/model2-2.h5')
new_prediction = new_model.predict(iris_data)

print(tf.argmax(new_prediction,axis=-1))

•  预测结果：

 

四、使用TensorFlow标准化编译

• 使用fit函数和compile函数对数据进行载入和参数分析

import numpy as np
import tensorflow as tf

from sklearn.datasets import load_iris
data=load_iris()
iris_target = data.target
iris_data = np.float32(data.data)
iris_target = np.float32(tf.keras.utils.to_categorical(iris_target,num_classes=3))

#输入格式有改变 以(iris_data,iris_target)形式输入数据和标签
train_data = tf.data.Dataset.from_tensor_slices((iris_data,iris_target)).batch(128)

input_xs = tf.keras.layers.Input(shape=(4,),name="input_xs")
out = tf.keras.layers.Dense(32,activation="relu",name="dense_1")(input_xs)
out = tf.keras.layers.Dense(64,activation="relu",name="dense_2")(out)
logits = tf.keras.layers.Dense(3,activation='softmax',name='predictions')(out)

model = tf.keras.Model(inputs = input_xs,outputs = logits)
opt = tf.optimizers.Adam(1e-3)

model.compile(optimizer=tf.optimizers.Adam(1e-3),loss=tf.losses.categorical_crossentropy,metrics=['accuracy'])

model.fit(train_data,epochs=500)

score = model.evaluate(iris_data,iris_target)
print("last score:",score)

1.数据输入形式的改变

#输入格式有改变 以(iris_data,iris_target)形式输入数据和标签
train_data = tf.data.Dataset.from_tensor_slices((iris_data,iris_target)).batch(128)

2.构建网络层级

• input--Dense--Dense....

input_xs = tf.keras.layers.Input(shape=(4,),name="input_xs")
out = tf.keras.layers.Dense(32,activation="relu",name="dense_1")(input_xs)
out = tf.keras.layers.Dense(64,activation="relu",name="dense_2")(out)
logits = tf.keras.layers.Dense(3,activation='softmax',name='predictions')(out)

3.建立模型 Model

• 仅传递输入和输出
• tf.keras.Model( inputs =xxx,outputs =xxx )

model = tf.keras.Model(inputs = input_xs,outputs = logits)

4.编译模型 compile

• 包含优化器optimizer、损失loss、评价指标metrics

model.compile(optimizer=tf.optimizers.Adam(1e-3),loss=tf.losses.categorical_crossentropy,metrics=['accuracy'])

5.训练模型 fit

• 以给定的数量轮次来训练模型
• 参数：x---输入、y--输出、batch_size--每次梯度更新的样本数（默认32）、epochs--迭代轮次

model.fit(train_data,epochs=500)

or

model.fit(x=iris_data,y=iris_target,batch_size=128,epochs=500)

6.模型评价 evaluate

score = model.evaluate(iris_data,iris_target)
print("last score:",score)

Epoch 1/500
2/2 [==============================] - 0s 499us/step - loss: 1.4749 - accuracy: 0.3333
Epoch 2/500
2/2 [==============================] - 0s 502us/step - loss: 1.3558 - accuracy: 0.4267

...

Epoch 498/500
2/2 [==============================] - 0s 0s/step - loss: 0.0908 - accuracy: 0.9667
Epoch 499/500
2/2 [==============================] - 0s 264us/step - loss: 0.0907 - accuracy: 0.9667
Epoch 500/500
2/2 [==============================] - 0s 495us/step - loss: 0.0905 - accuracy: 0.9667
5/5 [==============================] - 0s 444us/step - loss: 0.0902 - accuracy: 0.9667

last score: [0.09018253535032272, 0.9666666388511658]