如何在tensorflow2.0中使用Keras

如何在Tensorflow2.0中使用Keras？相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

Keras 是一个用于构建和训练深度学习模型的高阶 api。它可用于快速设计原型、高级研究和生产。 keras的3个优点：
方便用户使用、模块化和可组合、易于扩展

1.导入tf.keras

tensorflow2推荐使用keras构建网络，常见的神经网络都包含在keras.layer中(最新的tf.keras的版本可能和keras不同)

import tensorflow as tffrom tensorflow.keras import layersprint(tf.__version__)print(tf.keras.__version__)

2.构建简单模型

2.1模型堆叠

最常见的模型类型是层的堆叠：tf.keras.Sequential 模型

model = tf.keras.Sequential()model.add(layers.Dense(32, activation='relu'))model.add(layers.Dense(32, activation='relu'))model.add(layers.Dense(10, activation='softmax'))

2.2网络配置

tf.keras.layers中网络配置：

activation：设置层的激活函数。此参数由内置函数的名称指定，或指定为可调用对象。默认情况下，系统不会应用任何激活函数。

kernel_initializer 和 bias_initializer：创建层权重（核和偏差）的初始化方案。此参数是一个名称或可调用对象，默认为 “Glorot unifORM” 初始化器。

kernel_regularizer 和 bias_regularizer：应用层权重（核和偏差）的正则化方案，例如 L1 或 L2 正则化。默认情况下，系统不会应用正则化函数。

layers.Dense(32, activation='sigmoid')layers.Dense(32, activation=tf.sigmoid)layers.Dense(32, kernel_initializer='orthoGonal')layers.Dense(32, kernel_initializer=tf.keras.initializers.glorot_normal)layers.Dense(32, kernel_regularizer=tf.keras.regularizers.l2(0.01))layers.Dense(32, kernel_regularizer=tf.keras.regularizers.l1(0.01))

3.训练和评估

3.1设置训练流程

构建好模型后，通过调用 compile 方法配置该模型的学习流程：

model = tf.keras.Sequential()model.add(layers.Dense(32, activation='relu'))model.add(layers.Dense(32, activation='relu'))model.add(layers.Dense(10, activation='softmax'))model.compile(optimizer=tf.keras.optimizers.Adam(0.001),       loss=tf.keras.losses.categorical_crossentropy,       metrics=[tf.keras.metrics.categorical_accuracy])

3.2输入Numpy数据

import numpy as nptrain_x = np.random.random((1000, 72))train_y = np.random.random((1000, 10))val_x = np.random.random((200, 72))val_y = np.random.random((200, 10))model.fit(train_x, train_y, epochs=10, batch_size=100,     validation_data=(val_x, val_y))

3.3tf.data输入数据

dataset = tf.data.Dataset.from_tensor_slices((train_x, train_y))dataset = dataset.batch(32)dataset = dataset.repeat()val_dataset = tf.data.Dataset.from_tensor_slices((val_x, val_y))val_dataset = val_dataset.batch(32)val_dataset = val_dataset.repeat()model.fit(dataset, epochs=10, steps_per_epoch=30,     validation_data=val_dataset, validation_steps=3)

3.4评估与预测

test_x = np.random.random((1000, 72))test_y = np.random.random((1000, 10))model.evaluate(test_x, test_y, batch_size=32)test_data = tf.data.Dataset.from_tensor_slices((test_x, test_y))test_data = test_data.batch(32).repeat()model.evaluate(test_data, steps=30)

# predictresult = model.predict(test_x, batch_size=32)print(result)

4.构建高级模型

4.1函数式api

tf.keras.Sequential 模型是层的简单堆叠，无法表示任意模型。使用 Keras 函数式 API 可以构建复杂的模型拓扑，例如：

多输入模型，

多输出模型，

具有共享层的模型（同一层被调用多次），

具有非序列数据流的模型（例如，残差连接）。

使用函数式 API 构建的模型具有以下特征：

层实例可调用并返回张量。

输入张量和输出张量用于定义 tf.keras.Model 实例。

此模型的训练方式和 Sequential 模型一样。

input_x = tf.keras.Input(shape=(72,))hidden1 = layers.Dense(32, activation='relu')(input_x)hidden2 = layers.Dense(16, activation='relu')(hidden1)pred = layers.Dense(10, activation='softmax')(hidden2)model = tf.keras.Model(inputs=input_x, outputs=pred)model.compile(optimizer=tf.keras.optimizers.Adam(0.001),       loss=tf.keras.losses.categorical_crossentropy,       metrics=['accuracy'])model.fit(train_x, train_y, batch_size=32, epochs=5)

4.2模型子类化

通过对 tf.keras.Model 进行子类化并定义您自己的前向传播来构建完全可自定义的模型。在 init 方法中创建层并将它们设置为类实例的属性。在 call 方法中定义前向传播

class MyModel(tf.keras.Model):  def __init__(self, num_classes=10):    super(MyModel, self).__init__(name='my_model')    self.num_classes = num_classes    self.layer1 = layers.Dense(32, activation='relu')    self.layer2 = layers.Dense(num_classes, activation='softmax')  def call(self, inputs):    h2 = self.layer1(inputs)    out = self.layer2(h2)    return out    def compute_output_shape(self, input_shape):    shape = tf.TensorShapej(input_shape).as_list()    shape[-1] = self.num_classes    return tf.TensorShape(shape)model = MyModel(num_classes=10)model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),       loss=tf.keras.losses.categorical_crossentropy,       metrics=['accuracy'])model.fit(train_x, train_y, batch_size=16, epochs=5)

4.3自定义层

通过对 tf.keras.layers.Layer 进行子类化并实现以下方法来创建自定义层：

build：创建层的权重。使用 add_weight 方法添加权重。

call：定义前向传播。

compute_output_shape：指定在给定输入形状的情况下如何计算层的输出形状。
或者，可以通过实现 get_config 方法和 from_config 类方法序列化层。

class MyLayer(layers.Layer):  def __init__(self, output_dim, **kwargs):    self.output_dim = output_dim    super(MyLayer, self).__init__(**kwargs)    def build(self, input_shape):    shape = tf.TensorShape((input_shape[1], self.output_dim))    self.kernel = self.add_weight(name='kernel1', shape=shape,                  initializer='uniform', trainable=True)    super(MyLayer, self).build(input_shape)    def call(self, inputs):    return tf.matmul(inputs, self.kernel)  def compute_output_shape(self, input_shape):    shape = tf.TensorShape(input_shape).as_list()    shape[-1] = self.output_dim    return tf.TensorShape(shape)  def get_config(self):    base_config = super(MyLayer, self).get_config()    base_config['output_dim'] = self.output_dim    return base_config  @claSSMethod  def from_config(cls, config):    return cls(**config)  model = tf.keras.Sequential([  MyLayer(10),  layers.Activation('softmax')])model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),       loss=tf.keras.losses.categorical_crossentropy,       metrics=['accuracy'])model.fit(train_x, train_y, batch_size=16, epochs=5)

4.3回调

callbacks = [  tf.keras.callbacks.EarlyStopping(patience=2, monitor='val_loss'),  tf.keras.callbacks.TensorBoard(log_dir='./logs')]model.fit(train_x, train_y, batch_size=16, epochs=5,     callbacks=callbacks, validation_data=(val_x, val_y))

5保持和恢复

5.1权重保存

model = tf.keras.Sequential([layers.Dense(64, activation='relu'),layers.Dense(10, activation='softmax')])model.compile(optimizer=tf.keras.optimizers.Adam(0.001),       loss='categorical_crossentropy',       metrics=['accuracy'])model.save_weights('./weights/model')model.load_weights('./weights/model')model.save_weights('./model.h6')model.load_weights('./model.h6')

5.2保存网络结构

# 序列化成JSONimport jsonimport pprintjson_str = model.to_json()pprint.pprint(json.loads(json_str))fresh_model = tf.keras.models.model_from_json(json_str)# 保持为yaml格式 #需要提前安装pyyamlyaml_str = model.to_yaml()print(yaml_str)fresh_model = tf.keras.models.model_from_yaml(yaml_str)

5.3保存整个模型

model = tf.keras.Sequential([ layers.Dense(10, activation='softmax', input_shape=(72,)), layers.Dense(10, activation='softmax')])model.compile(optimizer='rmsprop',       loss='categorical_crossentropy',       metrics=['accuracy'])model.fit(train_x, train_y, batch_size=32, epochs=5)model.save('all_model.h6')model = tf.keras.models.load_model('all_model.h6')

6.将keras用于Estimator

Estimator API 用于针对分布式环境训练模型。它适用于一些行业使用场景，例如用大型数据集进行分布式训练并导出模型以用于生产

model = tf.keras.Sequential([layers.Dense(10,activation='softmax'),             layers.Dense(10,activation='softmax')])model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),       loss='categorical_crossentropy',       metrics=['accuracy'])estimator = tf.keras.estimator.model_to_estimator(model)

看完上述内容，你们掌握如何在tensorflow2.0中使用Keras的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注编程网精选频道，感谢各位的阅读！