tf.keras是TensorFlow 2.0的高阶API接口,为TensorFlow的代码提供了新的风格和设计模式,大大提升了TF代码的简洁性和复用性,官方也推荐使用tf.keras来进行模型设计和开发。
常用模块
tf.keras中常用模块如下表所示:
<模块
<概述
activations
激活函数
applications
预训练网络模块
Callbacks
在模型训练期间被调用
datasets
tf.keras数据集模块,包括boston_housing,cifar10,fashion_mnist,imdb ,mnist
layers
Keras层API
losses
各种损失函数
metircs
各种评价指标
models
模型创建模块,以及与模型相关的API
optimizers
优化方法
preprocessing
Keras数据的预处理模块
regularizers
正则化,L1,L2等
utils
辅助功能实现
常用方法
深度学习实现的主要流程:1.数据获取,2,数据处理,3.模型创建与训练,4 模型测试与评估,5.模型预测。
1.导入tf.keras
使用 tf.keras,首先需要在代码开始时导入tf.keras。
import tensorflow as tffrom tensorflow import keras
2.数据输入
对于小的数据集,可以直接使用numpy格式的数据进行训练、评估模型,对于大型数据集或者要进行跨设备训练时使用tf.data.datasets来进行数据输入。
3.模型构建
简单模型使用Sequential进行构建复杂模型使用函数式编程来构建自定义layers
4.训练与评估
配置训练过程:
# 配置优化方法,损失函数和评价指标model.compile(optimizer=tf.train.AdamOptimizer(0.001), loss='categorical_crossentropy', metrics=['accuracy'])
模型训练:
# 指明训练数据集,训练epoch,批次大小和验证集数据model.fit/fit_generator(dataset, epochs=10, batch_size=3, validation_data=val_dataset, )
模型评估:
# 指明评估数据集和批次大小model.evaluate(x, y, batch_size=32)
模型预测:
# 对新的样本进行预测model.predict(x, batch_size=32)
5.回调函数(callbacks)
回调函数用在模型训练过程中,来控制模型训练行为,可以自定义回调函数,也可使用tf.keras.callbacks 内置的 callback :
ModelCheckpoint:定期保存 checkpoints。 LearningRateScheduler:动态改变学习速率。 EarlyStopping:当验证集上的性能不再提高时,终止训练。 TensorBoard:使用 TensorBoard 监测模型的状态。
6.模型的保存和恢复
只保存参数:
# 只保存模型的权重model.save_weights('./my_model')# 加载模型的权重model.load_weights('my_model')
保存整个模型:
# 保存模型架构与权重在h5文件中model.save('my_model.h5')# 加载模型:包括架构和对应的权重model = keras.models.load_model('my_model.h5')
本文来自投稿,不代表重蔚自留地立场,如若转载,请注明出处https://www.cwhello.com/367081.html
如有侵犯您的合法权益请发邮件951076433@qq.com联系删除