TensorFlow2.0（11）：tf.keras建模三部曲

 

注：本系列全部博客將持續更新併發布在github上，您能夠經過github下載本系列全部文章筆記文件。

 

Keras是一個基於Python編寫的高層神經網絡API，憑藉用戶友好性、模塊化以及易擴展等有點大受好評，考慮到Keras的優良特性以及它的受歡迎程度，TensorFlow2.0中將Keras的代碼吸取了進來，化身爲tf.keras模塊供用戶使用。

使用tf.keras提供的高層API，能夠輕鬆得完成建模三部曲——模型構建、訓練、評估等工做。下面咱們分別來講說如何使用tf.keras完成這三部曲。

 

1 模型構建¶

 

咱們知道，神經網絡模型就是層的堆疊，tf.keras提供的Sequential類對象就是層容器，能夠輕鬆實現對層的堆疊，建立網絡模型。用Sequential建立一個全鏈接網絡模型：

In [3]:

import tensorflow as tf
from tensorflow import keras  # 爲方便使用，keras通常單獨導入
from tensorflow.keras import layers

In [2]:

model = tf.keras.Sequential()
# 往模型中添加一個有64個神經元組成的層，激活函數爲relu:
model.add(layers.Dense(64, activation='relu'))
# 再添加一個:
model.add(layers.Dense(64, activation='relu'))
# 添加一個有10個神經元的softmax層做爲輸出層:
model.add(layers.Dense(10, activation='softmax'))

 

也能夠在使用Sequential實例化模型時，經過傳入由層組成的列表來添加層。咱們換一種方式實現上面的模型構建過程,兩種方式是徹底等效的：

In [6]:

model = tf.keras.Sequential([
    layers.Dense(64, activation='relu'),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')]
)

 

你看，用tf.keras建立一個模型，就是這麼簡單，只須要往Sequential中傳入一個個tf.keras.layers定義的層就行了。進一步的，咱們研究一下tf.keras.layers怎麼個性化地建立層。

 

定義神經網絡層經過tf.keras.layers模塊中的Dense類實現，Dense類構造參數以下：

• units：指定神經元個數，必須是一個正整數。
• activation：激活函數，能夠是能夠是一個可調用對象或標識一個對象的字符串
• use_bias：布爾型，是否使用是否使用偏置項
• kernel_initializer和bias_initializer：權值、偏置初始化方法,能夠是一個可調用對象或標識一個對象的字符串
• kernel_regularizer和bias_regularizer：對權值、偏置進行正則化的方法，能夠是一個可調用對象或標識一個對象的字符串
• activity_regularizer：對層的輸出進行正則化的方法，能夠是一個可調用對象或標識一個對象的字符串
• kernel_constraint和bias_constraint：對權值矩陣、偏置矩陣的約束方法，能夠是一個可調用對象或標識一個對象的字符串

In [6]:

# 有64個神經元，激活函數爲sigmoid的層
layers.Dense(64, activation='sigmoid')
# 或者:
layers.Dense(64, activation=tf.keras.activations.sigmoid)

# 對權值矩陣進行正則化:
layers.Dense(64, kernel_regularizer=tf.keras.regularizers.l1(0.01))

# 對偏置向量進行正則化:
layers.Dense(64, bias_regularizer=tf.keras.regularizers.l2(0.01))

# 指定權值隨機正交初始化:
layers.Dense(64, kernel_initializer='orthogonal')

# 指定偏置爲常數:
layers.Dense(64, bias_initializer=tf.keras.initializers.Constant(2.0))

Out[6]:

<tensorflow.python.keras.layers.core.Dense at 0x7f486247abd0>

 

2 訓練模型¶

2.1 配置：compile()¶

 

創建好模型以後，接下來固然是要進行訓練模型了。不過，在訓練前還須要作一些配置工做，例如指定優化器、損失函數、評估指標等，這些配置參數的過程通常經過tf.keras.Model.compile方法進行，先來熟悉一下tf.keras.Model.compile方法的三個經常使用參數：

• optimizer：tf.keras.optimizers模塊中的優化器實例化對象，例如 tf.keras.optimizers.Adam或 tf.keras.optimizers.SGD的實例化對象，固然也可使用字符串來指代優化器，例如'adam'和'sgd'。
• loss：損失函數，例如交叉熵、均方差等，一般是tf.keras.losses模塊中定義的可調用對象，也能夠用用於指代損失函數的字符串。
• metrics：元素爲評估方法的list，一般是定義在tf.keras.metrics模塊中定義的可調用對象，也能夠用於指代評估方法的字符串。

 

在知道怎麼配置模型訓練參數後，就能夠根據實際應用狀況合理選擇優化器、損失函數、評估方法等：

In [7]:

# 迴歸模型
model.compile(optimizer=tf.keras.optimizers.Adam(0.01),  # 指定優化器，學習率爲0.01
              loss='mse',       # 指定均方差做爲損失函數
              metrics=['mae'])  # 添加絕對值偏差做爲評估方法

# 分類模型
model.compile(optimizer=tf.keras.optimizers.RMSprop(0.01),
              loss=tf.keras.losses.CategoricalCrossentropy(),  # 分類模型多用交叉熵做爲損失函數
              metrics=[tf.keras.metrics.CategoricalAccuracy()])

 

經過compile()配置好模型後，就能夠開始訓練了。tf.keras中提供了fit()方法對模型進行訓練，先來看看fit()方法的主要參數：

• x和y：訓練數據和目標數據
• epochs：訓練週期數，每個週期都是對訓練數據集的一次完整迭代
• batch_size：簇的大小，通常在數據集是numpy數組類型時使用
• validation_data：驗證數據集，模型訓練時，若是你想經過一個額外的驗證數據集來監測模型的性能變換，就能夠經過這個參數傳入驗證數據集
• verbose：日誌顯示方式，verbose=0爲不在標準輸出流輸出日誌信息,verbose=1爲輸出進度條記錄，verbose=2爲每一個epoch輸出一行記錄
• callbacks：回調方法組成的列表，通常是定義在tf.keras.callbacks中的方法
• validation_split：從訓練數據集抽取部分數據做爲驗證數據集的比例，是一個0到1之間的浮點數。這一參數在輸入數據爲dataset對象、生成器、keras.utils.Sequence對象是無效。
• shuffle：是否在每個週期開始前打亂數據

 

下面分別說說如何使用fit()方法結合numpy數據和tf.data.Dataset數據進行模型訓練。

In [8]:

import numpy as np

data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))

model.fit(data, labels, epochs=10, batch_size=32)

 

Train on 1000 samples
Epoch 1/10
1000/1000 [==============================] - 1s 554us/sample - loss: 206.2688 - categorical_accuracy: 0.1050
Epoch 2/10
1000/1000 [==============================] - 0s 34us/sample - loss: 911.8347 - categorical_accuracy: 0.0990
Epoch 3/10
1000/1000 [==============================] - 0s 30us/sample - loss: 1879.7505 - categorical_accuracy: 0.0980
Epoch 4/10
1000/1000 [==============================] - 0s 28us/sample - loss: 3141.3959 - categorical_accuracy: 0.0940
Epoch 5/10
1000/1000 [==============================] - 0s 36us/sample - loss: 4673.7791 - categorical_accuracy: 0.1010
Epoch 6/10
1000/1000 [==============================] - 0s 36us/sample - loss: 6526.8757 - categorical_accuracy: 0.0960
Epoch 7/10
1000/1000 [==============================] - 0s 31us/sample - loss: 8571.8533 - categorical_accuracy: 0.1020
Epoch 8/10
1000/1000 [==============================] - 0s 33us/sample - loss: 11070.1039 - categorical_accuracy: 0.0970
Epoch 9/10
1000/1000 [==============================] - 0s 36us/sample - loss: 13533.4661 - categorical_accuracy: 0.1050
Epoch 10/10
1000/1000 [==============================] - 0s 25us/sample - loss: 17259.2291 - categorical_accuracy: 0.1000

Out[8]:

<tensorflow.python.keras.callbacks.History at 0x7f74a4755650>

 

如何使用驗證數據集的話，能夠這樣：

In [10]:

import numpy as np

data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))

val_data = np.random.random((100, 32))
val_labels = np.random.random((100, 10))

model.fit(data, labels, epochs=10, batch_size=32,
          validation_data=(val_data, val_labels))  # 驗證數據集以元組的形式傳入

 

Train on 1000 samples, validate on 100 samples
Epoch 1/10
1000/1000 [==============================] - 0s 34us/sample - loss: 67219.8359 - categorical_accuracy: 0.0960 - val_loss: 55306.6777 - val_categorical_accuracy: 0.1000
Epoch 2/10
1000/1000 [==============================] - 0s 32us/sample - loss: 73732.5724 - categorical_accuracy: 0.0920 - val_loss: 89920.2088 - val_categorical_accuracy: 0.1100
Epoch 3/10
1000/1000 [==============================] - 0s 50us/sample - loss: 79956.1480 - categorical_accuracy: 0.1020 - val_loss: 101092.6750 - val_categorical_accuracy: 0.1000
Epoch 4/10
1000/1000 [==============================] - 0s 36us/sample - loss: 84322.9844 - categorical_accuracy: 0.0970 - val_loss: 117610.5700 - val_categorical_accuracy: 0.1000
Epoch 5/10
1000/1000 [==============================] - 0s 38us/sample - loss: 91992.0751 - categorical_accuracy: 0.1130 - val_loss: 94200.0838 - val_categorical_accuracy: 0.1000
Epoch 6/10
1000/1000 [==============================] - 0s 38us/sample - loss: 97189.2044 - categorical_accuracy: 0.0910 - val_loss: 89020.5294 - val_categorical_accuracy: 0.1100
Epoch 7/10
1000/1000 [==============================] - 0s 33us/sample - loss: 107109.9905 - categorical_accuracy: 0.0930 - val_loss: 102350.4259 - val_categorical_accuracy: 0.1200
Epoch 8/10
1000/1000 [==============================] - 0s 41us/sample - loss: 114450.2496 - categorical_accuracy: 0.1010 - val_loss: 102719.3653 - val_categorical_accuracy: 0.1100
Epoch 9/10
1000/1000 [==============================] - 0s 41us/sample - loss: 124694.8415 - categorical_accuracy: 0.0950 - val_loss: 142269.8362 - val_categorical_accuracy: 0.1100
Epoch 10/10
1000/1000 [==============================] - 0s 44us/sample - loss: 131952.7791 - categorical_accuracy: 0.0800 - val_loss: 158925.8294 - val_categorical_accuracy: 0.0900

Out[10]:

<tensorflow.python.keras.callbacks.History at 0x7f749c548810>

 

3 評估與預測¶

 

是騾子是馬，拉出來溜溜就知道了，訓練好的模型性能如何，評估測試一下就知道了。可使用模型自帶的evaluate()方法和predict()方法對模型進行評估和預測。

In [12]:

# 若是是numpy數據，能夠這麼使用
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))

model.evaluate(data, labels, batch_size=32)

 

1000/1 [=================================================] - 0s 17us/sample - loss: 161163.7180 - categorical_accuracy: 0.0930

Out[12]:

[153591.27975, 0.093]

In [13]:

# 若是數Dataset對象，能夠這麼使用
dataset = tf.data.Dataset.from_tensor_slices((data, labels))
dataset = dataset.batch(32)

model.evaluate(dataset)

 

32/32 [==============================] - 0s 579us/step - loss: 153946.2378 - categorical_accuracy: 0.0930

Out[13]:

[153946.23779296875, 0.093]

 

使用predict()方法進行預測：

In [14]:

# numpy數據
result = model.predict(data, batch_size=32)
print(result.shape)

 

(1000, 10)

In [16]:

# dataset數據
result = model.predict(dataset)
print(result.shape)

 

(1000, 10)