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

算法与编程之美

发布于 2020-04-07 17:06:08

4990

发布于 2020-04-07 17:06:08

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.Sequential和Keras 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])

4 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.Sequential和Keras 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

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2020-04-02，如有侵权请联系 cloudcommunity@tencent.com 删除

api