tf.keras 代码练习--cifar10数据--带详细注释--tf2.0

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics
from tensorflow import keras

def preprocess(x, y):
    # [0~255] => [-1, 1] 把数值变为-1 ~ 1 范围，效果较之前有提升
    x = 2*tf.cast(x, dtype=tf.float32) / 255 - 1.
    y = tf.cast(y, dtype=tf.int32)
    return x, y


batchsz = 128
# 加载数据 [50000, 32, 32, 3] [50000, 1]   加载过了的是numpy数据类型，要想使用GPU加速，需要转换为tensor类型，再转换为Dataset类型，是为了实现batch_size 实现并行
(x, y), (x_val, y_val) = datasets.cifar10.load_data()
# y的形状是[50000, 1]，squeeze 删除所有为1的维度，可以通过axis指定删除特定为1的维度 [50000, 1] => [5000]
y = tf.squeeze(y)
y_val = tf.squeeze(y_val)
y = tf.one_hot(y, depth=10)             # one_hot处理 [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())



# 构建数据集
train_db = tf.data.Dataset.from_tensor_slices((x, y))
#                  预处理（传入函数名） 打乱顺序       设置batch大小
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是为了查看数据形状
sample = next(iter(train_db))
print('batch:', sample[0].shape, sample[1].shape)


# 自定义线性层  必须继承layers.Layer
class MyDense(layers.Layer):

    # 实现2个函数 __init__  和 call。 给定输入参数 和 输出参数。
    def __init__(self, inp_dim, outp_dim):
        # 调用父类初始化方法
        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):
        # 前向
        x = inputs @ self.kernel
        return x

# 自定义网络     继承这个类    实现2个函数 __init__  call
class Mynetwork(keras.Model):

    def __init__(self):
        # 调用父类初始化方法
        super(Mynetwork, self).__init__()
        # 新建5个网络层
        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):
        # 前向传播过程       指定当前模式是training模式还是evaluate模式
        """

        :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()
network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
#           训练集    训练的遍数   训练集                   每训练一个epoch数据，做一次测试
network.fit(train_db, epochs=15, validation_data=test_db, validation_freq=1)

# 先做一个测试，看看模型是否保存了
network.evaluate(test_db)
# 保存模型 单纯的保存权值
network.save_weights('ckpt/weights.ckpt')
# 删除网络对象
del network
print('saved to ckpt/weights.ckpt')


# 把网络创建的部分加载过来
network = Mynetwork()
network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
# 把权值更新到现在的权值
network.load_weights('ckpt/weights.ckpt')
print('load weight from file')
# 测试
network.evaluate(test_db)