AI => Tensorflow2.0语法 - keras_API的使用(三)

前言

keras接口大都实现了 _call_ 方法。
母类 _call_ 调用了 call()。
因此下面说的几乎所有模型/网络层 都可以在定义后，直接像函数一样调用。
eg:

模型对象(参数) 
网络层对象(参数)

我们还可以实现继承模板

导入

from tensorflow import keras

metrics (统计平均)

里面有各种度量值的接口
如：二分类、多分类交叉熵损失容器，MSE、MAE的损失值容器， Accuracy精确率容器等。
下面以Accuracy伪码为例：

acc_meter = keras.metrics.Accuracy() # 建立一个容器
for _ in epoches:
    for _ in batches:
        y = ...
        y_predict = ...
        acc_meter.update_state(y, y_predict) # 每次扔进去数据，容器都会自动计算accuracy，并储存
    
        if times % 100 == 0: # 一百次一输出, 设置一个阈值/阀门
            print(acc_meter.result().numpy())   # 取出容器内所有储存的数据的，均值准确率
    acc_meter。reset_states()    # 容器缓存清空， 下一epoch从头计数。

激活函数+损失函数+优化器

导入方式：

keras.activations.relu()    # 激活函数：以relu为例，还有很多
keras.losses.categorical_crossentropy() # 损失函数：以交叉熵为例，还有很多
keras.optimizers.SGD()      # 优化器：以随机梯度下降优化器为例
keras.callbacks.EarlyStopping()  # 回调函数： 以‘按指定条件提前暂停训练’回调为例

Sequential(继承自Model)属于模型

模型定义方式

定义方式1：

model = keras.models.Sequential( [首层网络,第二层网络。。。] )

定义方式1：

model = keras.models.Sequential()
model.add(首层网络)
model.add(第二层网络)

模型相关回调配置

logdir = 'callbacks'
if not os.path.exists(logdir):
    os.mkdir(logdir)
save_model_file = os.path.join(logdir, 'mymodel.h5')

callbacks = [
    keras.callbacks.TensorBoard(logdir),    # 写入tensorboard
    keras.callbacks.ModelCheckpoint(output_model_file, save_best_only=True),  # 模型保存
    keras.callbacks.EarlyStopping(patience=5, min_delta=1e-3)  # 按条件终止模型训练
    # 验证集，每次都会提升，如果提升不动了，提升小于这个min_delta阈值，则会耐心等待5次。
    # 5次过后，要是还提升这么点。就提前结束。
]
# 代码写在这里，如何传递调用， 下面 “模型相关量度配置” 会提到

模型相关量度配置：(（损失，优化器，准确率等)

说明，下面的各种量度属性，可通过字符串方式，也可通过上面讲的导入实例化对象方式。

model.compile(
    loss="sparse_categorical_crossentropy",    # 损失函数，这是字符串方式
    optimizer= keras.optimizers.SGD()          # 这是实例化对象的方式，这种方式可以传参
    metrics=['accuracy']  # 这项会在fit()时打印出来
)  # compile() 操作，没有真正的训练。
model.fit(
    x,y,
    epochs=10,                              # 反复训练 10 轮
    validation_data = (x_valid,y_valid),    # 把划分好的验证集放进来（fit时打印loss和val）
    validation_freq = 5,                    # 训练5次，验证一次。  可不传，默认为1。
    callbacks=callbacks,                    # 指定回调函数， 请衔接上面‘模型相关回调配置’
    
)   # fit()才是真正的训练 

模型 验证&测试

一般我们会把 数据先分成三部分（如果用相同的数据，起不到测试和验证效果，参考考试作弊思想）：

1. 训练集: （大批量，主体）
2. 测试集: （模型所有训练结束后， 才用到）
3. 验证集: （训练的过程种就用到）

说明1：（如何分离？）

1. 它们的分离是需要（x,y）组合在一起的，如果手动实现，需要随机打散、zip等操作。
2. 但我们可以通过 scikit-learn库，的 train_test_split() 方法来实现 （2次分隔）
3. 可以使用 tf.split()来手动实现

具体分离案例：参考上一篇文章： https://segmentfault.com/a/11...

说明2：（为什么我们有了测试集，还需要验证集？）

1. 测试集是用来在最终，模型训练成型后（参数固定），进行测试，并且返回的是预测的结果值！！！！
2. 验证集是伴随着模型训练过程中而验证）

代码如下：

loss, accuracy = model.evaluate( (x_test, y_test) ) # 度量， 注意，返回的是精度指标等
target = model.predict( (x_test, y_test) )          # 测试， 注意，返回的是 预测的结果！

可用参数

model.trainable_variables    # 返回模型中所有可训练的变量
# 使用场景： 就像我们之前说过的 gradient 中用到的 zip(求导结果, model.trainable_variables)

自定义Model

Model相当于母版， 你继承了它，并实现对应方法，同样也能简便实现模型的定义。

自定义Layer

同Model， Layer也相当于母版， 你继承了它，并实现对应方法，同样也能简便实现网络层的定义。

模型保存与加载

方法1：之前callback说的

方法2：只保存weight(模型不完全一致)

保存：

model = keras.Sequential([...])
...
model.fit()
model.save_weights('weights.ckpt')

加载：

假如在另一个文件中。（当然要把保存的权重要复制到本地目录）
model = keras.Sequential([...])    # 此模型构建必须和保存时候定义结构的一模一样的！
model.load_weights('weights.ckpt')
model.evaluate(...)
model.predict(...)

方法3：保存整个模型（模型完全一致）

保存：

model = keras.Sequential([...])
...
model.fit()
model.save('model.h5')    # 注意 这里变了，是 save

加载:（直接加载即可，不需要重新复原建模过程）

假如在另一个文件中。（当然要把保存的模型要复制到本地目录）
model = keras.models.load_model('model.h5')  # load_model是在 keras.models下
model.evaluate(...)
model.predict(...)

方法4：导出可供其他语言使用（工业化）

保存： （使用tf.saved_model模块）

model = keras.Sequential([...])
...
model.fit()
tf.saved_model.save(model, '目录')

加载：（使用tf.saved_model模块）

model = tf.saved_model.load('目录')