如何利用tf.keras 实现深度学习?

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。

如何利用tf.keras 实现深度学习?

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。

如何利用tf.keras 实现深度学习?

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

(0)
黑马程序员黑马程序员订阅用户
上一篇 2023年8月29日 16:17
下一篇 2023年8月29日 16:27

相关推荐

联系我们

QQ:951076433

在线咨询:点击这里给我发消息邮件:951076433@qq.com工作时间:周一至周五,9:30-18:30,节假日休息