TensorFlow2.0 Alpha版已經(jīng)發(fā)布，在2.0中最重要的API或者說到處都出現(xiàn)的API是誰，那無疑是Keras。因此用過2.0的人都會吐槽全世界都是Keras。今天我們就來說說Keras這個高級API。

?作者 |?湯興旺

?編輯 |?湯興旺

1 Keras概述

在TensorFlow2.0中，Keras是一個用于構建和訓練深度學習模型的高階 API。因此如果你正在使用TensorFow2.0，那么使用Keras構建深度學習模型是您的不二選擇。在Keras API中總共有如下三大塊：

在Modules中有構建訓練模型各種必備的組件，如激活函數(shù)activations、損失函數(shù)losses、優(yōu)化器optimizers等；在Class中有Sequential和Model兩個類，它們用來堆疊模型；在Functions中有Input()函數(shù)，它用來實例化張量。

因此若您使用的深度學習框架是TensorFlow，而且是2.0版本，那么你就不可能不使用tensorflow.keras。這也就是使用過TensorFlow2.0版本的都在吐槽全世界都是Keras的原因。

2 Modules

通過上面的介紹，我們知道在Modules中有activations、losses、optimizers等構建訓練模型時各種必備的組件。下圖就是Modules中有所的模塊。

下面我們詳細說說里面最常見的幾個模塊應該如何使用。

1. 常用的數(shù)據(jù)集（datasets）

在TensorFlow2.0中，常用的數(shù)據(jù)集需要使用tf.keras.datasets來加載，在datasets中有如下數(shù)據(jù)集。

對于上圖中的數(shù)據(jù)集我們可以像下面這樣加載

(train_images,train_labels),(test_images,test_labels)= keras.datasets.fashion_mnist.load_data()

當然我們平時使用的數(shù)據(jù)集肯定不在于此，這些數(shù)據(jù)集都是些最基礎的數(shù)據(jù)集。對于自己的數(shù)據(jù)如何讀取，請期待我們下次的分享。

2. 神經(jīng)網(wǎng)絡層（Layers）

在構建深度學習網(wǎng)絡模型時，我們需要定制各種各樣的層結構。這時候就要用到layers了，下圖是TensorFlow2.0中部分層，它們都是Layer的子類。

那么我們?nèi)绾问褂胠ayer來構建模型呢？方法如下：

from tensorflow.keras import layers

layers.Conv2D()

layers.MaxPool2D()

layers.Flatten()

layers.Dense()

3. 激活函數(shù)（Optimizers）

在構建深度學習網(wǎng)絡時，我們經(jīng)常需要選擇激活函數(shù)來使網(wǎng)絡的表達能力更強。下面將介紹TensorFlow2.0中的激活函數(shù)及它們應該在TensorFlow2.0中該如何使用。下圖是TensorFlow2.0中部分激活函數(shù)：

from tensorflow.keras import layers

layers.Conv2D(...,activation='relu')

layers.Dense(...,activation='softmax'）

4. 優(yōu)化器（activations）

通常當我們準備好數(shù)據(jù)，設計好模型后，我們就需要選擇一個合適的優(yōu)化器（Optimizers）對模型進行優(yōu)化。下面將介紹TensorFlow2.0中的優(yōu)化器及他們應該在TensorFlow2.0中該如何使用。下圖是TensorFlow2.0中所有的優(yōu)化器，它們都是Optimizer的子類。

對于優(yōu)化器的使用你可以像下面這樣使用：

optimizers = tf.keras.optimizers.Adam()

optimizers = tf.keras.optimizers.SGD()

...

5. 損失函數(shù)（Losses）

我們知道當我們設計好模型時我們需要優(yōu)化模型，所謂的優(yōu)化就是優(yōu)化網(wǎng)絡權值使損失函數(shù)值變小，但是損失函數(shù)變小是否能代表精度越高呢？那么多的損失函數(shù)，我們又該如何選擇呢？接下來我們了解下在TensorFlow2.0中如何使用損失函數(shù)。下圖是TensorFlow2.0中所有的損失函數(shù)，它們都是Loss的子類。

對于損失函數(shù)的使用你可以像下面這樣使用：

loss = tf.keras.losses.SparseCategoricalCrossentropy()

loss = tf.keras.losses.mean_squared_error()

...

3 Class

在Class中有Sequential和Model兩個類，它們分別是用來堆疊網(wǎng)絡層和把堆疊好的層實例化可以訓練的模型。

1. Model

對于實例化Model有下面兩種方法

(1).使用keras.Model API

import tensorflow as tftf.keras.Model(inputs=inputs, outputs=outputs)

(2).繼承Model類

import tensorflow as tfclass MyModel(tf.keras.Model):

2. Sequential

在TensorFlow2.0中，我們可以使用Sequential模型。具體方式如下：

model = keras.Sequential()

model =?model.add(layers.Conv2D(input_shape=(x_train.shape[1], x_train.shape[2],x_train.shape[3]),filters=32,kernel_size=(3,3), strides=(1,1), padding='valid',activation='relu'))

model.add(layers.MaxPool2D(pool_size=(2,2)))

model.add(layers.Flatten())model.add(layers.Dense(32,activation='relu'))

model.add(layers.Dense(10, activation='softmax'))

model.compile(optimizer=keras.optimizers.Adam(),loss=keras.losses.SparseCategoricalCrossentropy(),metrics=['accuracy'])

4 Functions

在Functions中，有一個Input函數(shù)，其用來實例化Keras張量。對于Input函數(shù)，它有如下參數(shù)

tf.keras.Input(

具體方法如下：

x = Input(shape=(32,))

5 簡單的圖像分類模型實例

#1導入相應的API

import tensorflow as tf

from tensorflow import keras

from tensorflow.keras import layers

#2加載數(shù)據(jù)

(train_images,train_labels),(test_images,test_labels)= keras.datasets.fashion_mnist.load_data()

#3構建網(wǎng)絡

model = keras.Sequential()

model =?model.add(layers.Conv2D(input_shape=(x_train.shape[1], x_train.shape[2],x_train.shape[3]),filters=32,kernel_size=(3,3), strides=(1,1), padding='valid',activation='relu'))

model.add(layers.MaxPool2D(pool_size=(2,2)))

model.add(layers.Flatten())model.add(layers.Dense(32,activation='relu'))

model.add(layers.Dense(10, activation='softmax'))

model.compile(optimizer=keras.optimizers.Adam(),loss=keras.losses.SparseCategoricalCrossentropy(),metrics=['accuracy'])

#4模型顯示

model.summary()

#5模型訓練

model_train=model.fit(x_train, y_train, batch_size=64, epochs=5, validation_split=0.1)

總結

在本講中，我們簡單的了解了TensorFlow2.0中高級API Keras是如何使用的，我們可以看到Keras真的是無處不在，如果你想學好TensorFlow2.0，那么你必須掌握好Kears。

下期預告：如何讀取自己的數(shù)據(jù)集及數(shù)據(jù)的使用。

最近直播

今日看圖猜技術

網(wǎng)絡結構

更多精彩內(nèi)容請關注知乎專欄《有三AI學院》

轉載文章請后臺聯(lián)系

侵權必究

往期精選

• 【TensorFlow2.0】TensorFlow2.0專欄上線，你來嗎？

• 【AI初識境】從3次人工智能潮起潮落說起

• 【AI初識境】從頭理解神經(jīng)網(wǎng)絡-內(nèi)行與外行的分水嶺

• 【AI初識境】近20年深度學習在圖像領域的重要進展節(jié)點

• 【AI初識境】激活函數(shù)：從人工設計到自動搜索

• 【AI初識境】什么是深度學習成功的開始？參數(shù)初始化

• 【AI初識境】深度學習模型中的Normalization，你懂了多少？

• 【AI初識境】為了圍剿SGD大家這些年想過的那十幾招

• 【AI初識境】被Hinton，DeepMind和斯坦福嫌棄的池化，到底是什么？

• 【AI初識境】如何增加深度學習模型的泛化能力

• 【AI初識境】深度學習模型評估，從圖像分類到生成模型

• 【AI初識境】深度學習中常用的損失函數(shù)有哪些？

• 【AI初識境】給深度學習新手做項目的10個建議

• 【AI不惑境】數(shù)據(jù)壓榨有多狠，人工智能就有多成功

• 【AI不惑境】網(wǎng)絡深度對深度學習模型性能有什么影響？

• 【AI不惑境】網(wǎng)絡的寬度如何影響深度學習模型的性能？

• 【AI不惑境】學習率和batchsize如何影響模型的性能？

• 【完結】深度學習CV算法工程師從入門到初級面試有多遠，大概是25篇文章的距離

• 【完結】優(yōu)秀的深度學習從業(yè)者都有哪些優(yōu)秀的習慣

• 【完結】給新手的12大深度學習開源框架快速入門項目

• 【完結】總結12大CNN主流模型架構設計思想

• 創(chuàng)業(yè)第一天，有三AI扔出了深度學習的150多篇文章和10多個專欄

• 言有三新書預售，不貴，有料

• 這個春天，有三最后一月的學習“季劃”招生

• 有三AI VIP會員發(fā)售，你的私人AI顧問已上線

• 有三AI知識星球官宣，BAT等大咖等你來撩

• 有三AI小程序上線，把你的代碼show給世界

• 揭秘7大AI學習板塊，這個星球推薦你擁有

總結

以上是生活随笔為你收集整理的【TensorFlow2.0】以后我们再也离不开Keras了？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。