文章目录
- 1. Keras Sequential / Functional API
- 2. 自定义 layer
- 3. 自定义 loss
- 4. 自定义 评估方法
学习于：简单粗暴 TensorFlow 2
1. Keras Sequential / Functional API
tf.keras.models.Sequential([layers...])，但是它不能表示更复杂的模型
mymodel = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(100, activation='relu'),
tf.keras.layers.Dense(10),
tf.keras.layers.Softmax()
])- Functional API 可以表示更复杂的模型
inp = tf.keras.Input(shape=(28, 28, 1))
x = tf.keras.layers.Flatten()(inp)
x = tf.keras.layers.Dense(units=100, activation=tf.nn.relu)(x)
x = tf.keras.layers.Dense(units=10)(x)
out = tf.keras.layers.Softmax()(x)
mymodel = tf.keras.Model(inputs=inp, outputs=out)# 配置模型：优化器，损失函数，评估方法
mymodel.compile(
optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate),
loss=tf.keras.losses.sparse_categorical_crossentropy,
metrics=[tf.keras.metrics.sparse_categorical_accuracy]
)
# 训练：X,Y，batch_size, epochs
mymodel.fit(data_loader.train_data, data_loader.train_label,
batch_size=batch_size,epochs=num_epochs)# 测试
res = mymodel.evaluate(data_loader.test_data, data_loader.test_label)
print(res) # [loss, acc]2. 自定义 layer
- 继承
tf.keras.layers.Layer，重写__init__、build和call三个方法
import tensorflow as tf
# 实现一个 线性layer
class myLayer(tf.keras.layers.Layer):
def __init__(self, units):
super().__init__()
self.units = units
def build(self, input_shape): # input_shape 是一个tensor
# input_shape 是第一次运行 call() 时参数inputs的形状
# 第一次使用该层的时候，调用build
self.w = self.add_weight(name='w',
shape=[input_shape[-1], self.units],
initializer=tf.zeros_initializer())
self.b = self.add_weight(name='b',
shape=[self.units],
initializer=tf.zeros_initializer())
def call(self, inputs):
y_pred = tf.matmul(inputs, self.w) self.b
return y_pred- 使用自定义的 layer
class LinearModel(tf.keras.Model):
def __init__(self):
super().__init__()
self.dense = myLayer(units=1) # 使用
def call(self, inputs):
output = self.dense(inputs)
return output- 简单的线性回归
import numpy as np
# 原始数据
X_raw = np.array([0.0, 1., 2., 3., 4.], dtype=np.float32)
y_raw = np.array([0.01, 2., 4., 5.98, 8.], dtype=np.float32)
X = np.expand_dims(X_raw, axis=-1)
y = np.expand_dims(y_raw, axis=-1)
# 转成张量
X = tf.constant(X)
y = tf.constant(y)
model = LinearModel()
model.compile(
optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
loss=tf.keras.losses.MeanSquaredError()
)
model.fit(X, y, batch_size=6, epochs=10000)
print(model.variables)
X_test = tf.constant([[5.1], [6.1]])
res = model.predict(X_test)
print(res)输出：
代码语言：javascript复制[<tf.Variable 'linear_model/my_layer/w:0' shape=(1, 1) dtype=float32,
numpy=array([[1.9959974]], dtype=float32)>,
<tf.Variable 'linear_model/my_layer/b:0' shape=(1,) dtype=float32,
numpy=array([0.00600523], dtype=float32)>]
[[10.185592]
[12.181589]]3. 自定义 loss
- 继承
tf.keras.losses.Loss，重写call方法
class myError(tf.keras.losses.Loss):
def call(self, y_true, y_pred):
return tf.reduce_mean(tf.square(y_true - y_pred))
model = LinearModel()
model.compile(
optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
loss=myError() # 使用 自定义的loss
)4. 自定义 评估方法
- 继承
tf.keras.metrics.Metric，重写__init__、update_state和result三个方法
class myMetric(tf.keras.metrics.Metric):
def __init__(self):
super().__init__()
self.total = self.add_weight(name='total',
dtype=tf.int32,
initializer=tf.zeros_initializer())
self.count = self.add_weight(name='count',
dtype=tf.int32,
initializer=tf.zeros_initializer())
def update_state(self, y_true, y_pred, sample_weight=None):
values = tf.cast(tf.abs(y_true - y_pred) < 0.1, tf.int32)
# 这里简单的判断误差 < 0.1, 算 true
self.total.assign_add(tf.shape(y_true)[0])
self.count.assign_add(tf.reduce_sum(values))
def result(self):
return self.count / self.total
model = LinearModel()
model.compile(
optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
loss=myError(),
metrics=[myMetric()] # 调用自定义的 metric
)
