Tensorflow学习笔记----Keras自定义网络实战

在之前，我们已经学习了Keras高层接口的应用，主要是compile()和fit()函数，前者装配模型，后者控制训练流程，十分的方便；

networks.compile(optimizers = optimizers.Adam(lr=0.01),#定义优化器
                 loss = tf.losses.CategoricalCrossentropy(from_logits=True), #指定Loss
                 metrics = ['accuracy'] #指定测试指标
                 )
network.fit(db,epoch=10)    #指定迭代次数
network.fit(db,epoch=10,validation_data=ds_val,validation_freq=2)    #指定测试
netword.evaluate(tt_val)    #进行验证

其次，我们还学习了使用Sequential() 来建立神经网络的容器，以及如何自定义网络，包括层Dense和模型Model；

class MyDense(layers.Layer):    #自己实现一个线性层Dense，继承自layers.Layer
    def __init__(self,inp_dim,outp_dim):    #实现初始化方法，必须要有
        super(MyDense,self).__init__()  #调用母类的初始化函数，必须要有

        #创建遍历
        self.kernel = self.add_variable('w',[inp_dim,outp_dim])
        self.bias = self.add_variable('b',[outp_dim])

    def call(self, inputs, training=None):  #实现call方法，必须要有
        out = inputs @ self.kernel + self.bias  #矩阵相乘再相加
        return out

class MyModel(tf.keras.Model):  #自己实现一个模型，必须继承自tf.keras.Model
    def __init__(self): #实现初始化方法，必须要有
        super(MyModel,self).__init__()  #调用母类的初始化函数，必须要有
        self.fc1 = MyDense(28*28,256)
        self.fc2 = MyDense(256, 128)
        self.fc3 = MyDense(128, 64)
        self.fc4 = MyDense(64, 32)
        self.fc5 = MyDense(32, 10)

    def call(self, inputs, training=None):
        x = self.fc1(inputs)
        x = tf.nn.relu(x)   #激活函数，一遍一遍的通过，从而形成新的x
        x = self.fc2(inputs)
        x = tf.nn.relu(x)
        x = self.fc3(inputs)
        x = tf.nn.relu(x)
        x = self.fc4(inputs)
        x = tf.nn.relu(x)
        x = self.fc5(inputs)    #最后一遍 一般不通过激活函数
        return x

还学习了模型的保存与加载，用于在模型训练时保存模型的各种数据，以免意外丢失导致重新训练；

model.save_weight('保存路径')   #保存
model = create_model()  #加载
model.load_weight('保存路径')

现在我们结合上述所有技术来进行实战，将这些技术运用到真实的数据训练中去，对cifar10进行简单的训练，并查看每次迭代的精确度；
代码如下：

import  tensorflow as tf
from    tensorflow.keras import datasets, layers, optimizers, Sequential, metrics
from   tensorflow import keras
import  os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

def preprocess(x, y):   #预处理数据函数
    # x取值范围：[0~255] => [-1~1]
    x = 2 * tf.cast(x, dtype=tf.float32) / 255. - 1.
    y = tf.cast(y, dtype=tf.int32)
    return x,y

batchsz = 128
# [50k, 32, 32, 3], [10k, 1]
#(x, y), (x_val, y_val) = datasets.cifar10.load_data()
(x, y), (x_val, y_val) = datasets.mnist.load_data() #加载训练集和测试集
y = tf.squeeze(y)   #压缩tensor，将其中所有大小为1的维度删除
y_val = tf.squeeze(y_val)
y = tf.one_hot(y, depth=10) # [50k, 10]
y_val = tf.one_hot(y_val, depth=10) # [10k, 10]
print('datasets:', x.shape, y.shape, x_val.shape, y_val.shape, x.min(), x.max())

train_db = tf.data.Dataset.from_tensor_slices((x,y))
train_db = train_db.map(preprocess).shuffle(10000).batch(batchsz)   #预处理，调用preprocess；
# map()：函数映射；shuffle()：随机打乱；batch()：批处理；
test_db = tf.data.Dataset.from_tensor_slices((x_val, y_val))
test_db = test_db.map(preprocess).batch(batchsz)


sample = next(iter(train_db))
print('batch:', sample[0].shape, sample[1].shape)

class MyDense(layers.Layer):    #自己实现一个线性层Dense，继承自layers.Layer
    # to replace standard layers.Dense()
    def __init__(self, inp_dim, outp_dim):
        super(MyDense, self).__init__()

        self.kernel = self.add_variable('w', [inp_dim, outp_dim])   #创建参数
        # self.bias = self.add_variable('b', [outp_dim])

    def call(self, inputs, training=None):

        x = inputs @ self.kernel
        return x

class MyNetwork(keras.Model):   #自己实现一个模型，必须继承自tf.keras.Model
    def __init__(self):
        super(MyNetwork, self).__init__()
        self.fc1 = MyDense(32*32*3, 256)
        self.fc2 = MyDense(256, 128)
        self.fc3 = MyDense(128, 64)
        self.fc4 = MyDense(64, 32)
        self.fc5 = MyDense(32, 10)

    def call(self, inputs, training=None):
        #inputs输入: [b, 32, 32, 3]
        x = tf.reshape(inputs, [-1, 32*32*3])
        # [b, 32*32*3] => [b, 256]
        x = self.fc1(x)
        x = tf.nn.relu(x)   #激活函数，一遍一遍的通过，从而形成新的x
        # [b, 256] => [b, 128]
        x = self.fc2(x)
        x = tf.nn.relu(x)
        # [b, 128] => [b, 64]
        x = self.fc3(x)
        x = tf.nn.relu(x)
        # [b, 64] => [b, 32]
        x = self.fc4(x)
        x = tf.nn.relu(x)
        # [b, 32] => [b, 10]
        x = self.fc5(x)
        return x


network = MyNetwork()
#装配network，设置优化器，损失参数等
network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
#设置训练流程，设置训练集、训练迭代数、测试集
network.fit(train_db, epochs=15, validation_data=test_db, validation_freq=1)

#模型保存，只保存了权值等
network.evaluate(test_db)
network.save_weights('ckpt/weights.ckpt')
del network
print('saved to ckpt/weights.ckpt')

#模型加载
network = MyNetwork()
network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
network.load_weights('ckpt/weights.ckpt')
print('loaded weights from file.')
network.evaluate(test_db)