首發(fā)：AI公園公眾號(hào)
作者：Rohan Jagtap
編譯：ronghuaiyang

導(dǎo)讀

掌握這些可以更高效的模型的提高開(kāi)發(fā)效率。

TensorFlow 2.x在構(gòu)建模型和TensorFlow的整體使用方面提供了很多簡(jiǎn)單性。那么TF2有什么新變化呢？

使用Keras輕松構(gòu)建模型，立即執(zhí)行。

可在任何平臺(tái)上進(jìn)行強(qiáng)大的模型部署。

強(qiáng)大的研究實(shí)驗(yàn)。

通過(guò)清理過(guò)時(shí)的API和減少重復(fù)來(lái)簡(jiǎn)化API。

在本文中，我們將探索TF 2.0的10個(gè)特性，這些特性使得使用TensorFlow更加順暢，減少了代碼行數(shù)并提高了效率。

1(a). tf.data 構(gòu)建輸入管道

tf.data提供了數(shù)據(jù)管道和相關(guān)操作的功能。我們可以建立管道，映射預(yù)處理函數(shù)，洗牌或批處理數(shù)據(jù)集等等。

從tensors構(gòu)建管道

>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1])>>>iter(dataset).next().numpy()8

構(gòu)建Batch并打亂

#Shuffle>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).shuffle(6)>>>iter(dataset).next().numpy()0#Batch>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).batch(2)>>>iter(dataset).next().numpy()array([8,3],dtype=int32)#ShuffleandBatch>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).shuffle(6).batch(2)>>>iter(dataset).next().numpy()array([3,0],dtype=int32)

把兩個(gè)Datsets壓縮成一個(gè)

>>>dataset0=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1])>>>dataset1=tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6])>>>dataset=tf.data.Dataset.zip((dataset0,dataset1))>>>iter(dataset).next()(,)

映射外部函數(shù)

definto_2(num):returnnum*2>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).map(into_2)>>>iter(dataset).next().numpy()16

1(b). ImageDataGenerator

這是tensorflow.keras API的最佳特性之一。ImageDataGenerator能夠在批處理和預(yù)處理以及數(shù)據(jù)增強(qiáng)的同時(shí)實(shí)時(shí)生成數(shù)據(jù)集切片。

生成器允許直接從目錄或數(shù)據(jù)目錄中生成數(shù)據(jù)流。

ImageDataGenerator中關(guān)于數(shù)據(jù)增強(qiáng)的一個(gè)誤解是，它向現(xiàn)有數(shù)據(jù)集添加了更多的數(shù)據(jù)。雖然這是數(shù)據(jù)增強(qiáng)的實(shí)際定義，但是在ImageDataGenerator中，數(shù)據(jù)集中的圖像在訓(xùn)練的不同步驟被動(dòng)態(tài)地變換，使模型可以在未見(jiàn)過(guò)的有噪數(shù)據(jù)上進(jìn)行訓(xùn)練。

train_datagen=ImageDataGenerator(rescale=1./255,shear_range=0.2,zoom_range=0.2,horizontal_flip=True)

在這里，對(duì)所有樣本進(jìn)行重新縮放(用于歸一化)，而其他參數(shù)用于增強(qiáng)。

train_generator=train_datagen.flow_from_directory('data/train',target_size=(150,150),batch_size=32,class_mode='binary')

我們?yōu)閷?shí)時(shí)數(shù)據(jù)流指定目錄。這也可以使用dataframes來(lái)完成。

train_generator=flow_from_dataframe(dataframe,x_col='filename',y_col='class',class_mode='categorical',batch_size=32)

_x/_col_參數(shù)定義圖像的完整路徑，而_y/_col_參數(shù)定義用于分類的標(biāo)簽列。

模型可直接用生成器來(lái)喂數(shù)據(jù)。需要指定_steps/_per/_epoch_參數(shù)，即_number/_of/_samples // batch/_size._

model.fit(train_generator,validation_data=val_generator,epochs=EPOCHS,steps_per_epoch=(num_samples//batch_size),validation_steps=(num_val_samples//batch_size))

2. 使用tf.image做數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)是必要的。在數(shù)據(jù)不足的情況下，對(duì)數(shù)據(jù)進(jìn)行更改并將其作為單獨(dú)的數(shù)據(jù)點(diǎn)來(lái)處理，是在較少數(shù)據(jù)下進(jìn)行訓(xùn)練的一種非常有效的方式。

tf.image API中有用于轉(zhuǎn)換圖像的工具，然后可以使用tf.data進(jìn)行數(shù)據(jù)增強(qiáng)。

flipped=tf.image.flip_left_right(image)visualise(image,flipped)

上面的代碼的輸出

saturated=tf.image.adjust_saturation(image,5)visualise(image,saturated)

上面的代碼的輸出

rotated=tf.image.rot90(image)visualise(image,rotated)

上面的代碼的輸出

cropped=tf.image.central_crop(image,central_fraction=0.5)visualise(image,cropped)

上面的代碼的輸出

3. TensorFlow Datasets

pipinstalltensorflow-datasets

這是一個(gè)非常有用的庫(kù)，因?yàn)樗薚ensorFlow從各個(gè)領(lǐng)域收集的非常著名的數(shù)據(jù)集。

importtensorflow_datasetsastfdsmnist_data=tfds.load("mnist")mnist_train,mnist_test=mnist_data["train"],mnist_data["test"]assertisinstance(mnist_train,tf.data.Dataset)

tensorflow-datasets中可用的數(shù)據(jù)集的詳細(xì)列表可以在：https://www.tensorflow.org/da...。

tfds提供的數(shù)據(jù)集類型包括：音頻，圖像，圖像分類，目標(biāo)檢測(cè)，結(jié)構(gòu)化數(shù)據(jù)，摘要，文本，翻譯，視頻。

4. 使用預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)

遷移學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一項(xiàng)新技術(shù)，非常重要。如果一個(gè)基準(zhǔn)模型已經(jīng)被別人訓(xùn)練過(guò)了，而且訓(xùn)練它需要大量的資源(例如：多個(gè)昂貴的gpu，一個(gè)人可能負(fù)擔(dān)不起)。轉(zhuǎn)移學(xué)習(xí)，解決了這個(gè)問(wèn)題。預(yù)先訓(xùn)練好的模型可以在特定的場(chǎng)景中重用，也可以為不同的場(chǎng)景進(jìn)行擴(kuò)展。

TensorFlow提供了基準(zhǔn)的預(yù)訓(xùn)練模型，可以很容易地為所需的場(chǎng)景擴(kuò)展。

base_model=tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,include_top=False,weights='imagenet')

這個(gè)_base/_model_可以很容易地通過(guò)額外的層或不同的模型進(jìn)行擴(kuò)展。如：

model=tf.keras.Sequential([base_model,global_average_layer,prediction_layer])

5. Estimators

估計(jì)器是TensorFlow對(duì)完整模型的高級(jí)表示，它被設(shè)計(jì)用于易于擴(kuò)展和異步訓(xùn)練

預(yù)先制定的estimators提供了一個(gè)非常高級(jí)的模型抽象，因此你可以直接集中于訓(xùn)練模型，而不用擔(dān)心底層的復(fù)雜性。例如:

linear_est=tf.estimator.LinearClassifier(feature_columns=feature_columns)linear_est.train(train_input_fn)result=linear_est.evaluate(eval_input_fn)

這顯示了使用tf.estimator. Estimators構(gòu)建和訓(xùn)練estimator是多么容易。estimator也可以定制。

TensorFlow有許多estimator ，包括LinearRegressor，BoostedTreesClassifier等。

6. 自定義層

神經(jīng)網(wǎng)絡(luò)以許多層深網(wǎng)絡(luò)而聞名，其中層可以是不同的類型。TensorFlow包含許多預(yù)定義的層(如density, LSTM等)。但對(duì)于更復(fù)雜的體系結(jié)構(gòu)，層的邏輯要比基礎(chǔ)的層復(fù)雜得多。對(duì)于這樣的情況，TensorFlow允許構(gòu)建自定義層。這可以通過(guò)子類化tf.keras.layers來(lái)實(shí)現(xiàn)。

classCustomDense(tf.keras.layers.Layer):def__init__(self,num_outputs):super(CustomDense,self).__init__()self.num_outputs=num_outputsdefbuild(self,input_shape):self.kernel=self.add_weight("kernel",shape=[int(input_shape[-1]),self.num_outputs])defcall(self,input):returntf.matmul(input,self.kernel)

正如在文檔中所述，實(shí)現(xiàn)自己的層的最好方法是擴(kuò)展 tf.keras.Layer類并實(shí)現(xiàn)：

/__init/__，你可以在這里做所有與輸入無(wú)關(guān)的初始化。

_build_，其中你知道輸入張量的形狀，然后可以做剩下的初始化工作。

_call_，在這里進(jìn)行前向計(jì)算。

雖然kernel的初始化可以在*/_init/__中完成，但是最好在_build_中進(jìn)行初始化，否則你必須在創(chuàng)建新層的每個(gè)實(shí)例上顯式地指定_input/_shape*。

7. 自定義訓(xùn)練

tf.keras Sequential 和Model API使得模型的訓(xùn)練更加容易。然而，大多數(shù)時(shí)候在訓(xùn)練復(fù)雜模型時(shí)，使用自定義損失函數(shù)。此外，模型訓(xùn)練也可能不同于默認(rèn)訓(xùn)練(例如，分別對(duì)不同的模型組件求梯度)。

TensorFlow的自動(dòng)微分有助于有效地計(jì)算梯度。這些原語(yǔ)用于定義自定義訓(xùn)練循環(huán)。

deftrain(model,inputs,outputs,learning_rate):withtf.GradientTape()ast:#ComputingLossesfromModelPredictioncurrent_loss=loss(outputs,model(inputs))#GradientsforTrainableVariableswithObtainedLossesdW,db=t.gradient(current_loss,[model.W,model.b])#ApplyingGradientstoWeightsmodel.W.assign_sub(learning_rate*dW)model.b.assign_sub(learning_rate*db)

這個(gè)循環(huán)可以在多個(gè)epoch中重復(fù)，并且根據(jù)用例使用更定制的設(shè)置。

8. Checkpoints

保存一個(gè)TensorFlow模型可以有兩種方式：

SavedModel：保存模型的完整狀態(tài)以及所有參數(shù)。這是獨(dú)立于源代碼的。model.save_weights('checkpoint')

Checkpoints

Checkpoints 捕獲模型使用的所有參數(shù)的值。使用Sequential API或Model API構(gòu)建的模型可以簡(jiǎn)單地以SavedModel格式保存。

然而，對(duì)于自定義模型，checkpoints是必需的。

檢查點(diǎn)不包含模型定義的計(jì)算的任何描述，因此通常只有當(dāng)源代碼可用時(shí)，保存的參數(shù)值才有用。

保存 Checkpoint

checkpoint_path=“save_path”#DefiningaCheckpointckpt=tf.train.Checkpoint(model=model,optimizer=optimizer)#CreatingaCheckpointManagerObjectckpt_manager=tf.train.CheckpointManager(ckpt,checkpoint_path,max_to_keep=5)#SavingaModelckpt_manager.save()

從 Checkpoint 加載模型

TensorFlow從被加載的對(duì)象開(kāi)始，通過(guò)遍歷帶有帶有名字的邊的有向圖來(lái)將變量與檢查點(diǎn)值匹配。

ifckpt_manager.latest_checkpoint:ckpt.restore(ckpt_manager.latest_checkpoint)

9. Keras Tuner

這是TensorFlow中的一個(gè)相當(dāng)新的特性。

!pipinstallkeras-tuner

超參數(shù)調(diào)優(yōu)調(diào)優(yōu)是對(duì)定義的ML模型配置的參數(shù)進(jìn)行篩選的過(guò)程。在特征工程和預(yù)處理之后，這些因素是模型性能的決定性因素。

#model_builderisafunctionthatbuildsamodelandreturnsittuner=kt.Hyperband(model_builder,objective='val_accuracy',max_epochs=10,factor=3,directory='my_dir',project_name='intro_to_kt')

除了HyperBand之外，BayesianOptimization和RandomSearch 也可用于調(diào)優(yōu)。

tuner.search(img_train,label_train,epochs=10,validation_data=(img_test,label_test),callbacks=[ClearTrainingOutput()])#Gettheoptimalhyperparametersbest_hps=tuner.get_best_hyperparameters(num_trials=1)[0]

然后，我們使用最優(yōu)超參數(shù)訓(xùn)練模型：

model=tuner.hypermodel.build(best_hps)model.fit(img_train,label_train,epochs=10,validation_data=(img_test,label_test))

10. 分布式訓(xùn)練

如果你有多個(gè)GPU，并且希望通過(guò)分散訓(xùn)練循環(huán)在多個(gè)GPU上優(yōu)化訓(xùn)練，TensorFlow的各種分布式訓(xùn)練策略能夠優(yōu)化GPU的使用，并為你操縱GPU上的訓(xùn)練。

tf.distribute.MirroredStrategy是最常用的策略。它是如何工作的呢？

所有的變量和模型圖被復(fù)制成副本。

輸入均勻分布在不同的副本上。

每個(gè)副本計(jì)算它接收到的輸入的損失和梯度。

同步的所有副本的梯度并求和。

同步后，對(duì)每個(gè)副本上的變量進(jìn)行相同的更新。

strategy=tf.distribute.MirroredStrategy()withstrategy.scope():model=tf.keras.Sequential([tf.keras.layers.Conv2D(32,3,activation='relu',input_shape=(28,28,1)),tf.keras.layers.MaxPooling2D(),tf.keras.layers.Flatten(),tf.keras.layers.Dense(64,activation='relu'),tf.keras.layers.Dense(10)])model.compile(los,optimize,metrics=['accuracy'])

審核編輯 黃昊宇