人工智能|备战Tensorflow技能认证之两种快速构建模型的常用方式

欢迎点击「算法与编程之美」↑关注我们!

本文首发于微信公众号:"算法与编程之美",欢迎关注,及时了解更多此系列文章。

1 前言

Tensorflow认证考试内容五项中的第一项是基础/简单模型,第二项是学习数据集模型。小编猜想,这两者都是比较基础的知识,涉及到的知识应该主要包含:全连接神经网络搭建简单模型,数据集的加载,以及根据数据集搭建全连接神经网络模型进行训练(也有可能会涉及到卷积)

在基础的内容肯定不能浪费太多时间,所以本文向读者们推荐两种能够快速搭建模型的方式,并辅以数据集的加载和简单的卷积层。

这两种方式能帮助快速地搭建模型,但并不意为这两者方式不能搭建复杂的模型,本文将以典型案例手写数字识别为例,来看看如何运用tf.keras.SequentialKeras Functional API,这两种方式来快速搭建模型。

2 数据加载及预处理

import tensorflow as tf

from tensorflow.keras import datasets,Sequential,layers,optimizers,models

 

def data_preprocess(x,y):

    #mnist的数据类型是unit8,需要转换为float32,并将像素点的值从0~255更换为-1~1

    x=2*tf.cast(x,dtype=tf.float32)/255.-1

    #真实值已经采用one_hot编码,直接转换为整型即可

    y=tf.cast(y,dtype=tf.int32)

    return x,y

 

#加载mnist手写字体数据集

(x,y),(x_val,y_val)=datasets.mnist.load_data()

#真实值进行one_hot编码

y=tf.one_hot(y,depth=10)

y_val = tf.one_hot(y_val, depth=10)

#维度变换

x=tf.reshape(x,[-1,28,28,1])

x = tf.reshape(x, [-1, 28, 28, 1])

x_val = tf.reshape(x_val, [-1, 28, 28, 1])

#构建训练数据集train_db

train_db=tf.data.Dataset.from_tensor_slices((x,y))

train_db=train_db.map(data_preprocess).shuffle(10000).batch(128)

#构建测试数据集test_db

test_db=tf.data.Dataset.from_tensor_slices((x_val,y_val))

test_db=test_db.map(data_preprocess).batch(128)

3 tf.keras.Sequential容器搭建

tf.keras.Sequential,可视作一个容器,只需要通过add函数往里面填入所需的神经层,便能快速地构建神经网络模型。

#创建Sequential容器

model=Sequential()

#加入池化层

model.add(layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'))

#加入卷积层

model.add(layers.Conv2D(64,kernel_size=[2,2],padding='same',activation=tf.nn.relu))

model.add(layers.MaxPool2D(pool_size=[2,2],strides=2,padding='same'))

model.add(layers.Conv2D(128, kernel_size=[2, 2], padding='same', activation=tf.nn.relu))

model.add(layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'))

model.add(layers.Conv2D(256, kernel_size=[2, 2], padding='same', activation=tf.nn.relu))

model.add(layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'))

#矩阵打平

model.add(layers.Flatten())

#加入全连接层

model.add(layers.Dense(128, activation=tf.nn.relu))

model.add(layers.Dense(10))

#建立模型,并指明输入的维度及其形状

model.build(input_shape=[None,28,28,1])

也可以选择在创建容器时,就加入所需要的神经层,两种方式并无太大差别。

model=Sequential([

        #池化层,卷积层各三层,最后打平再加上两层全连接

        layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),

        layers.Conv2D(64,kernel_size=[2,2],padding='same',activation=tf.nn.relu),

        layers.MaxPool2D(pool_size=[2,2],strides=2,padding='same'),

        layers.Conv2D(128, kernel_size=[2, 2], padding='same', activation=tf.nn.relu),

        layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),

        layers.Conv2D(256, kernel_size=[2, 2], padding='same', activation=tf.nn.relu),

        layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),

        layers.Flatten(),

        layers.Dense(128, activation=tf.nn.relu),

        layers.Dense(10)

])

#建立模型,并指明输入的维度及其形状

model.build(input_shape=[None,28,28,1])

Sequential模型训练

本文提到的两种方式,在模型的训练上都可以直接调用model.compile进行模型训练配置和model.fit进行训练。

#训练模型的必要配置

model.compile(  #优化器选择及lr的数值

                optimizer=optimizers.Adam(lr=1e-3), 

               #损失函数选择,均分误差,交叉熵等

                loss=tf.losses.CategoricalCrossentropy(from_logits=True),                #用于监控训练,并呈现精确度

                metrics=['accuracy']

                  )

#模型训练,从左往右的参数分别是:训练数据集,训练次数,测试数据集,训练多少次便测试一次

model.fit(train_db,epochs=6,validation_data=test_db,validation_freq=2)

tf.keras.Sequential来搭建模型,简单快速。但缺陷也很明显,框架已定,灵活性太低,无法解决多输入/输出的问题,比如验证码识别:假设一张图内有4个数字,在不对图片进行切割等预处理的情况下,无法通过 Sequential来输出4个结果。

5 Keras Functional API

Functional API即保证了搭建模型的简单快捷,也具有很好的灵活性和可扩充性,无论是单输入/输出还是多/输入输出都能实现。

数据预处理和训练部分都与Sequential相同,那就直接来看看如何用Functional API搭建模型吧。

#定义输入层,并限制其shape

inputs=tf.keras.Input(shape=[28,28,1])

#定义不同神经层,并且每一层的输入都来自于上一层

x=layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')(inputs)

x=layers.Conv2D(64,kernel_size=[2,2],padding='same',activation=tf.nn.relu)(x)

x=layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')(x)

x=layers.Conv2D(128,kernel_size=[2,2],padding='same',activation=tf.nn.relu)(x)

x=layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')(x)

x=layers.Conv2D(256,kernel_size=[2,2],padding='same',activation=tf.nn.relu)(x)

x=layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')(x)

x=layers.Flatten()(x)

x=layers.Dense(128, activation=tf.nn.relu)(x)

#定义输出层

output=layers.Dense(10)(x)

#建立模型传入输入和输出层

model=tf.keras.Model(inputs=inputs,outputs=output)

根据以上代码示例,便建立了一个含有卷积和全连接的神经网络。并且每一层都可以独立提出来,也就是说可以查看每一层的输出情况,可以在一些复杂模型中抽取特定层放入自己的代码中,比如抽取VGG19中的某些层放在自己的代码中去实现图像的风格迁移。

6 总结

tf.keras.SequentialKeras Functional API都可以有助于快速地建立神经网络模型,.Sequential简单易懂,在既定框架下可以最快的搭建些不是很复杂的模型,Functional API同样简单可扩展性高,应用范围更广。

这两种方式来解决认证考试中的前两项内容,相信绰绰有余。

END

主  编   |   王文星

责  编   |   马原涛

 where2go 团队


   

微信号:算法与编程之美          

长按识别二维码关注我们!

温馨提示:点击页面右下角“写留言”发表评论,期待您的参与!期待您的转发!

你可能感兴趣的:(人工智能|备战Tensorflow技能认证之两种快速构建模型的常用方式)