目录
metric计录表(记录loss与accuracy)
新建记录表,metrics.求准确率,与求平均值
调用其自动更新的属性,loss是求平均,因此传入loss值更新,准确率传入正确值与预测值,会自动求准确率
取出数据的方法
清除现有的缓存
compile(简化训练固定过程的语句)
常规的训练模型过程包含 设置w,b等变量,求loss,求梯度,将梯度更新等四个固定的过程,以及一个测试集测试的过程
简化后语句:使用Adam优化器,用于梯度更新,学习率learning rate为0.01
loss使用的是交叉熵,crossentroy,将logits作为输入进行计算
metrics是计算准确率
还有for循环
用fit来代替,指定了数据集,及循环次数
当需要验证准确率时,加入validation数据集,即测试集,以及经过几个循环进行验证,可以用于提前终止训练
输出结果如图,前两个是训练的loss与准确率,后边是测试集的
重新测试,比如用一个新的数据集进行测试训练准确性
预测
可以直接调用predice进行验证
自定义层
之前用的是sequential,是非自定义的,可以指定每一层的尺寸及激活函数
build建立针对输入的最初始的w,b参数,比如输入的是(128,28,28),建立的w就是(28*28,256),summary是打印
调用时,只需要使用logits = network(x),等于 network.call(x),将x作为输入,并经过多层Dense运算出结果(此处可参考python类的__call__属性)
自定义层
一个是keras.layers.Layer
另一个是keras.Model(sequential这个类也是model的子类)因此才能使用compile/fit/evaluate
建立层;super继承母类的初始属性,add__variable可以同时告诉他是一个需要训练的变量,不使用tf.constant
用层建立网络
初始函数init,调用了MYdense,然后再call中调用mydense的call函数进行计算,比如,self.fc1(inputs)是将inputs进行计算输出了out
完整代码实例
import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics
from tensorflow import keras
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
def preprocess(x, y):
# [0~255] => [-1~1]
x = 2 * tf.cast(x, dtype=tf.float32) / 255. - 1.
y = tf.cast(y, dtype=tf.int32)
return x,y
batchsz = 128
# [50k, 32, 32, 3], [10k, 1]
(x, y), (x_val, y_val) = datasets.cifar10.load_data()
y = tf.squeeze(y)
y_val = tf.squeeze(y_val)
y = tf.one_hot(y, depth=10) # [50k, 10]
y_val = tf.one_hot(y_val, depth=10) # [10k, 10]
print('datasets:', x.shape, y.shape, x_val.shape, y_val.shape, x.min(), x.max())
train_db = tf.data.Dataset.from_tensor_slices((x,y))
train_db = train_db.map(preprocess).shuffle(10000).batch(batchsz)
test_db = tf.data.Dataset.from_tensor_slices((x_val, y_val))
test_db = test_db.map(preprocess).batch(batchsz)
sample = next(iter(train_db))
print('batch:', sample[0].shape, sample[1].shape)
class MyDense(layers.Layer):
# to replace standard layers.Dense()
def __init__(self, inp_dim, outp_dim):
super(MyDense, self).__init__()
self.kernel = self.add_variable('w', [inp_dim, outp_dim])
# self.bias = self.add_variable('b', [outp_dim])
def call(self, inputs, training=None):
x = inputs @ self.kernel
return x
class MyNetwork(keras.Model):
def __init__(self):
super(MyNetwork, self).__init__()
self.fc1 = MyDense(32*32*3, 256)
self.fc2 = MyDense(256, 128)
self.fc3 = MyDense(128, 64)
self.fc4 = MyDense(64, 32)
self.fc5 = MyDense(32, 10)
def call(self, inputs, training=None):
"""
:param inputs: [b, 32, 32, 3]
:param training:
:return:
"""
x = tf.reshape(inputs, [-1, 32*32*3])
# [b, 32*32*3] => [b, 256]
x = self.fc1(x)
x = tf.nn.relu(x)
# [b, 256] => [b, 128]
x = self.fc2(x)
x = tf.nn.relu(x)
# [b, 128] => [b, 64]
x = self.fc3(x)
x = tf.nn.relu(x)
# [b, 64] => [b, 32]
x = self.fc4(x)
x = tf.nn.relu(x)
# [b, 32] => [b, 10]
x = self.fc5(x)
return x
network = MyNetwork() # 调用类MyNetwork
# network.compile实例化类的方法compile
network.compile(optimizer=optimizers.Adam(lr=1e-3),
loss=tf.losses.CategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
network.fit(train_db, epochs=15, validation_data=test_db, validation_freq=1)#train_db即为mynetwork中call的输入
network.evaluate(test_db)
network.save_weights('ckpt/weights.ckpt')
del network
print('saved to ckpt/weights.ckpt')
network = MyNetwork()
network.compile(optimizer=optimizers.Adam(lr=1e-3),
loss=tf.losses.CategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
network.load_weights('ckpt/weights.ckpt')
print('loaded weights from file.')
network.evaluate(test_db)
数据的保存于加载
使用model的方法,即可保存
save_weight(只保存变量w,b等参数)
实例,比如先保存好,然后重新建立network,其w,b都是重新初始化的,然后加载数据
save,保存整个网络模型
下次使用时不需要再重新创建网络结构
可以给其他语言使用的保存方式