指导教程: https://github.com/lyhue1991/eat_tensorflow2_in_30_days
实际上就是抄的,我已经看不懂这些都是什么东西了, eat_tensorflow2_in_30_days这系列的教程,我准备先停下,等把吴恩达老师的机器学习入门课程啃完,再继续,
现在相当于抄书,停一段时间再抄吧
# -*- coding: utf-8 -*-
import os
import tensorflow as tf
from tensorflow.keras import layers, models, regularizers
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
'''
激活函数:
激活函数在深度学习中扮演着⾮常᯿要的⻆⾊,它给⽹络赋予了⾮线性,从⽽使得神经⽹络能够拟合任意复杂的函数。
如果没有激活函数,⽆论多复杂的⽹络,都等价于单⼀的线性变换,⽆法对⾮线性函数进⾏拟合。
⽬前,深度学习中最流⾏的激活函数为 relu
常用的激活函数:
tf.nn.sigmoid: 将实数压缩到0到1之间,⼀般只在⼆分类的最后输出层使⽤。
主要缺陷为存在梯度消失问题,计算复杂度⾼,输出不以0为中⼼
tf.nn.tanh: 将实数压缩到-1到1之间,输出期望为0。
主要缺陷为存在梯度消失问题,计算复杂度⾼
tf.nn.relu: 修正线性单元,最流⾏的激活函数。⼀般隐藏层使⽤。
主要缺陷是:输出不以0为中⼼,输⼊⼩于0时存在梯度消失问题(死亡relu)。
tf.nn.leaky_relu:对修正线性单元的改进,解决了死亡relu问题。
tf.nn.elu: 指数线性单元。对relu的改进,能够缓解死亡relu问题。
tf.nn.selu: 扩展型指数线性单元。在权重⽤tf.keras.initializers.lecun_normal初始化前提下能够对神经⽹络进⾏⾃归⼀化。
不会出现梯度爆炸或者梯度消失问题。需要和Dropout的变种AlphaDropout⼀起使⽤。
tf.nn.swish: ⾃⻔控激活函数。⾕歌出品,相关研究指出⽤swish替代relu将获得轻微效果提升。
gelu: ⾼斯误差线性单元激活函数。在Transformer中表现最好。tf.nn模块尚没有实现该函数。
'''
def use_activation():
# 使用激活函数
# ⼀般有两种⽅式,⼀种是作为某些层的activation参数指定,
# 另⼀种是显式添加layers.Activation激活层
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(32, input_shape=(None, 16), activation=tf.nn.relu)) # 通过activation参数指定
model.add(tf.keras.layers.Dense(10))
model.add(tf.keras.layers.Activation(tf.nn.softmax)) # 显式添加layers.Activation激活层
model.summary()
'''
模型层layers
深度学习模型⼀般由各种模型层组合⽽成。
tf.keras.layers内置了⾮常丰富的各种功能的模型层。例如,
layers.Dense,layers.Flatten,
layers.Input,layers.DenseFeature,
layers.Dropout
layers.Conv2D,
layers.MaxPooling2D,
layers.Conv1D
layers.Embedding,
layers.GRU,
layers.LSTM,
layers.Bidirectional等等。
如果这些内置模型层不能够满⾜需求,我们也可以通过编写tf.keras.Lambda匿名模型层或继承
tf.keras.layers.Layer基类构建⾃定义的模型层。
其中tf.keras.Lambda匿名模型层只适⽤于构造没有学习参数的模型层
'''
'''
⼀些常⽤的内置模型层:
基础层:
Dense:密集连接层。参数个数 = 输⼊层特征数× 输出层特征数(weight)+ 输出层特征数(bias)
Activation:激活函数层。⼀般放在Dense层后⾯,等价于在Dense层中指定activation。
Dropout:随机置零层。训练期间以⼀定⼏率将输⼊置0,⼀种正则化⼿段。
BatchNormalization:批标准化层。通过线性变换将输⼊批次缩放平移到稳定的均值和标准差。
可以增强模型对输⼊不同分布的适应性,加快模型训练速度,有轻微正则化效果。⼀般在激活函数
之前使⽤。
SpatialDropout2D:空间随机置零层。训练期间以⼀定⼏率将整个特征图置0,⼀种正则化⼿段,
有利于避免特征图之间过⾼的相关性。
Input:输⼊层。通常使⽤Functional API⽅式构建模型时作为第⼀层。
DenseFeature:特征列接⼊层,⽤于接收⼀个特征列列表并产⽣⼀个密集连接层。
Flatten:压平层,⽤于将多维张量压成⼀维。
Reshape:形状᯿塑层,改变输⼊张量的形状。
Concatenate:拼接层,将多个张量在某个维度上拼接。
Add:加法层。
Subtract: 减法层。
Maximum:取最⼤值层。
Minimum:取最⼩值层。
卷积⽹络相关层:
Conv1D:普通⼀维卷积,常⽤于⽂本。参数个数 = 输⼊通道数×卷积核尺⼨(如3)×卷积核个数
Conv2D:普通⼆维卷积,常⽤于图像。参数个数 = 输⼊通道数×卷积核尺⼨(如3乘3)×卷积核个数
Conv3D:普通三维卷积,常⽤于视频。参数个数 = 输⼊通道数×卷积核尺⼨(如3乘3乘3)×卷积核个数
SeparableConv2D:⼆维深度可分离卷积层。不同于普通卷积同时对区域和通道操作,
深度可分离卷积先操作区域,再操作通道。即先对每个通道做独⽴卷即先操作区域,
再⽤1乘1卷积跨通道组合即再操作通道。参数个数 = 输⼊通道数×卷积核尺⼨ + 输⼊通道数×1×1×输出通道数。
深度可分离卷积的参数数量⼀般远⼩于普通卷积,效果⼀般也更好。
DepthwiseConv2D:⼆维深度卷积层。仅有SeparableConv2D前半部分操作,即只操作区域,
不操作通道,⼀般输出通道数和输⼊通道数相同,
但也可以通过设置depth_multiplier让输出通道为输⼊通道的若⼲倍数。
输出通道数 = 输⼊通道数 × depth_multiplier。参数个数 = 输⼊通道数×卷积核尺⼨× depth_multiplier。
Conv2DTranspose:⼆维卷积转置层,俗称反卷积层。并⾮卷积的逆操作,
但在卷积核相同的情况下,当其输⼊尺⼨是卷积操作输出尺⼨的情况下,
卷积转置的输出尺⼨恰好是卷积操作的输⼊尺⼨。
LocallyConnected2D: ⼆维局部连接层。类似Conv2D,唯⼀的差别是没有空间上的权值共享,
所以其参数个数远⾼于⼆维卷积。
MaxPooling2D: ⼆维最⼤池化层。也称作下采样层。池化层⽆参数,主要作⽤是降维。
AveragePooling2D: ⼆维平均池化层。
GlobalMaxPool2D: 全局最⼤池化层。每个通道仅保留⼀个值。⼀般从卷积层过渡到全连接层时使⽤,是Flatten的替代⽅案。
GlobalAvgPool2D: 全局平均池化层。每个通道仅保留⼀个值。
循环⽹络相关层:
Embedding: 嵌⼊层。⼀种⽐Onehot更加有效的对离散特征进⾏编码的⽅法。⼀般⽤于将输⼊中的单词映射为稠密向量。嵌⼊层的参数需要学习。
LSTM: ⻓短记忆循环⽹络层。最普遍使⽤的循环⽹络层。具有携带轨道,遗忘⻔,更新⻔,输出⻔。
可以较为有效地缓解梯度消失问题,从⽽能够适⽤⻓期依赖问题。设置return_sequences =True时可以返回各个中间步骤输出,否则只返回最终输出。
GRU: ⻔控循环⽹络层。LSTM的低配版,不具有携带轨道,参数数量少于LSTM,训练速度更快。
SimpleRNN: 简单循环⽹络层。容易存在梯度消失,不能够适⽤⻓期依赖问题。⼀般较少使⽤。
ConvLSTM2D: 卷积⻓短记忆循环⽹络层。结构上类似LSTM,但对输⼊的转换操作和对状态的转换操作都是卷积运算。
Bidirectional: 双向循环⽹络包装器。可以将LSTM,GRU等层包装成双向循环⽹络。从⽽增强特征提取能⼒。
RNN: RNN基本层。接受⼀个循环⽹络单元或⼀个循环单元列表,通过调⽤tf.keras.backend.rnn函数在序列上进⾏迭代从⽽转换成循环⽹络层。
LSTMCell: LSTM单元。和LSTM在整个序列上迭代相⽐,它仅在序列上迭代⼀步。可以简单理解LSTM即RNN基本层包裹LSTMCell。
GRUCell: GRU单元。和GRU在整个序列上迭代相⽐,它仅在序列上迭代⼀步。
SimpleRNNCell: SimpleRNN单元。和SimpleRNN在整个序列上迭代相⽐,它仅在序列上迭代⼀步。
AbstractRNNCell: 抽象RNN单元。通过对它的⼦类化⽤户可以⾃定义RNN单元,再通过RNN基本层的包裹实现⽤户⾃定义循环⽹络层。
Attention: Dot-product类型注意⼒机制层。可以⽤于构建注意⼒模型。
AdditiveAttention: Additive类型注意⼒机制层。可以⽤于构建注意⼒模型。
TimeDistributed: 时间分布包装器。包装后可以将Dense、Conv2D等作⽤到每⼀个时间⽚段上。
'''
'''
⾃定义模型层:
如果⾃定义模型层没有需要被训练的参数,⼀般推荐使⽤Lamda层实现。
如果⾃定义模型层有需要被训练的参数,则可以通过对Layer基类⼦类化实现。
Lamda层由于没有需要被训练的参数,只需要定义正向传播逻辑即可,使⽤⽐Layer基类⼦类化更加简单
'''
def diy_layers():
mypower = layers.Lambda(lambda x: tf.math.pow(x, 2))
mypower(tf.range(5))
# Layer的子类化一般需要重新实现初始化方法,Build方法和Call方法。下面是一个简化的线性层的范例,类似Dense.
class Linear(layers.Layer):
def __init__(self, units=32, **kwargs):
super(Linear, self).__init__(**kwargs)
self.units = units
# build方法一般定义Layer需要被训练的参数。
def build(self, input_shape):
self.w = self.add_weight("w", shape=(input_shape[-1], self.units),
initializer='random_normal',
trainable=True) # 注意必须要有参数名称"w",否则会报错
self.b = self.add_weight("b", shape=(self.units,),
initializer='random_normal',
trainable=True)
super(Linear, self).build(input_shape) # 相当于设置self.built = True
# call方法一般定义正向传播运算逻辑,__call__方法调用了它。
@tf.function
def call(self, inputs):
return tf.matmul(inputs, self.w) + self.b
# 如果要让自定义的Layer通过Functional API 组合成模型时可以被保存成h5模型,需要自定义get_config方法。
def get_config(self):
config = super(Linear, self).get_config()
config.update({'units': self.units})
return config
def diy_layers2():
linear = Linear(units=8)
print(linear.built)
# 指定input_shape,显式调用build方法,第0维代表样本数量,用None填充
linear.build(input_shape=(None, 16))
print(linear.built)
linear = Linear(units=8)
print(linear.built)
linear.build(input_shape=(None, 16))
print(linear.compute_output_shape(input_shape=(None, 16)))
linear = Linear(units=16)
print(linear.built)
# 如果built = False,调用__call__时会先调用build方法, 再调用call方法。
linear(tf.random.uniform((100, 64)))
print(linear.built)
config = linear.get_config()
print(config)
#
# 下面是啥 我没看懂
#
tf.keras.backend.clear_session()
model = models.Sequential()
# 注意该处的input_shape会被模型加工,无需使用None代表样本数量维
model.add(Linear(units=1, input_shape=(2,)))
print("model.input_shape: ", model.input_shape)
print("model.output_shape: ", model.output_shape)
model.summary()
model.compile(optimizer="sgd", loss="mse", metrics=["mae"])
print(model.predict(tf.constant([[3.0, 2.0], [4.0, 5.0]])))
# 保存成 h5模型
model.save("./data/linear_model.h5", save_format="h5")
model_loaded_keras = tf.keras.models.load_model(
"./data/linear_model.h5", custom_objects={"Linear": Linear})
print(model_loaded_keras.predict(tf.constant([[3.0, 2.0], [4.0, 5.0]])))
# 保存成 tf模型
model.save("./data/linear_model", save_format="tf")
model_loaded_tf = tf.keras.models.load_model("./data/linear_model")
print(model_loaded_tf.predict(tf.constant([[3.0, 2.0], [4.0, 5.0]])))
# 损失函数losses
'''
⼀般来说,监督学习的⽬标函数由损失函数和正则化项组成。(Objective = Loss + Regularization)
对于keras模型,目标函数中的正则化项一般在各层中指定,例如使用Dense的 kernel_regularizer 和 bias_regularizer等参数指定权重使用l1或者l2正则化项,
此外还可以用kernel_constraint 和 bias_constraint等参数约束权重的取值范围,这也是一种正则化手段。
损失函数在模型编译时候指定。对于回归模型,通常使用的损失函数是均方损失函数 mean_squared_error。
对于二分类模型,通常使用的是二元交叉熵损失函数 binary_crossentropy。
对于多分类模型,如果label是one-hot编码的,则使用类别交叉熵损失函数 categorical_crossentropy。如果label是类别序号编码的,
则需要使用稀疏类别交叉熵损失函数 sparse_categorical_crossentropy。
如果有需要,也可以自定义损失函数,自定义损失函数需要接收两个张量y_true,y_pred作为输入参数,并输出一个标量作为损失函数值。
'''
def loss_funciton():
# 损失函数和正则化项
tf.keras.backend.clear_session()
model = models.Sequential()
model.add(layers.Dense(64, input_dim=64,
kernel_regularizer=regularizers.l2(0.01),
activity_regularizer=regularizers.l1(0.01),
kernel_constraint=tf.keras.constraints.MaxNorm(max_value=2, axis=0)))
model.add(layers.Dense(10, kernel_regularizer=regularizers.l1_l2(0.01, 0.01), activation="sigmoid"))
model.compile(optimizer="rmsprop", loss="binary_crossentropy", metrics=["AUC"])
model.summary()
'''
内置损失函数
内置的损失函数⼀般有类的实现和函数的实现两种形式。
如:CategoricalCrossentropy 和 categorical_crossentropy 都是类别交叉熵损失函数,前者是类的实现形式,后者是函数的实现形式。
常见的内置损失函数:
* mean_squared_error(均方误差损失,用于回归,简写为 mse, 类与函数实现形式分别为 MeanSquaredError 和 MSE)
* mean_absolute_error (平均绝对值误差损失,用于回归,简写为 mae, 类与函数实现形式分别为 MeanAbsoluteError 和 MAE)
* mean_absolute_percentage_error (平均百分比误差损失,用于回归,简写为 mape, 类与函数实现形式分别为 MeanAbsolutePercentageError 和 MAPE)
* Huber(Huber损失,只有类实现形式,用于回归,介于mse和mae之间,对异常值比较鲁棒,相对mse有一定的优势)
* binary_crossentropy(二元交叉熵,用于二分类,类实现形式为 BinaryCrossentropy)
* categorical_crossentropy(类别交叉熵,用于多分类,要求label为onehot编码,类实现形式为 CategoricalCrossentropy)
* sparse_categorical_crossentropy(稀疏类别交叉熵,用于多分类,要求label为序号编码形式,类实现形式为 SparseCategoricalCrossentropy)
* hinge(合页损失函数,用于二分类,最著名的应用是作为支持向量机SVM的损失函数,类实现形式为 Hinge)
* kld(相对熵损失,也叫KL散度,常用于最大期望算法EM的损失函数,两个概率分布差异的一种信息度量。类与函数实现形式分别为 KLDivergence 或 KLD)
* cosine_similarity(余弦相似度,可用于多分类,类实现形式为 CosineSimilarity)
# 自定义 损失函数:
⾃定义损失函数接收两个张量y_true,y_pred作为输⼊参数,并输出⼀个标量作为损失函数值。
也可以对tf.keras.losses.Loss进⾏⼦类化,᯿写call⽅法实现损失的计算逻辑,从⽽得到损失函数的类的实现。
'''
if __name__ == '__main__':
# use_activation()
# diy_layers2()
loss_funciton()