TensorFlow 05 keras高阶操作

目录

 

 metric计录表（记录loss与accuracy）

compile（简化训练固定过程的语句）

预测

自定义层

完整代码实例

数据的保存于加载

---

 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