Tensorflow 2 实战（kears）- CIFAR10自定义网络、模型加载与保存实战

一、数据集简介

CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集（数据集是现实世界中真实的物体，不仅噪声很大，而且物体的比例、 特征都不尽相同，这为识别带来很大困难）。数据集中一共有 50000 张训练图片和 10000 张测试图片，图片为RGB 彩色图片，图片的尺寸为 32×32，共有10 个类别，类别为：飞机（ airplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。CIFAR-10 的图片样例如下(每一类展示了随机的10张图片，注：以下图片来自网络)：

二、CIFAR10自定义网络实战代码

import  os
#只显示 warning 和 Error
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

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


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

#数据的加载及数据预处理
batchsz = 128
# [50k, 32, 32, 3], [10k, 1]
(x, y), (x_val, y_val) = datasets.cifar10.load_data()
y = tf.squeeze(y)  #squeeze:从tensor中删除所有大小(szie)是1的维度
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())


#构造数据集，from_tensor_slices将样本与标签一一对应（例如：“样本1”对应“标签1”）；map将传进去的函数作用于之前“构造数据集”中的每一个元素；划分batch
train_db = tf.data.Dataset.from_tensor_slices((x,y))
train_db = train_db.map(preprocess).shuffle(10000).batch(batchsz)
test_db = tf.data.Dataset.from_tensor_slices((x_val, y_val))
test_db = test_db.map(preprocess).batch(batchsz)


#构造迭代器
sample = next(iter(train_db))
print('batch:', sample[0].shape, sample[1].shape)


#自定义层（需继承tf的keras.layers.Layer类）
#super(MyDense, self).__init__()是调用父类的.__init__()方法，此时父类中 self 并不是父类的实例而是子类的实例。
class MyDense(layers.Layer):
    # to replace standard layers.Dense()
    def __init__(self, inp_dim, outp_dim):
        super(MyDense, self).__init__()

        self.kernel = self.add_weight('w', [inp_dim, outp_dim])
        # self.bias = self.add_weight('b', [outp_dim])

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

        x = inputs @ self.kernel
        return x


#自定义网络（需继承tf的keras.Model类）
#super(MyNetwork, self).__init__()是调用父类的.__init__()方法，此时父类中 self 并不是父类的实例而是子类的实例。
class MyNetwork(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)

    #前向传播
    def call(self, inputs, training=None):
        """
        :param inputs: [b, 32, 32, 3]
        :param training:
        :return:
        """
        x = tf.reshape(inputs, [-1, 32*32*3])
        # [b, 32*32*3] => [b, 256]
        x = self.fc1(x)
        x = tf.nn.relu(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

#MyNetwork：网络的实例化，compile：网络的装载，fit：网络的训练，evaluate：网络的测试
network = MyNetwork()
network.compile(optimizer=optimizers.Adam(learning_rate=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
network.fit(train_db, epochs=15, validation_data=test_db, validation_freq=1)

network.evaluate(test_db)



#模型权值（参数）的保存与恢复（较常用方法）
#保存权值（参数）
network.save_weights('ckpt/weights.ckpt')
#删除模型和参数
del network
print('saved to ckpt/weights.ckpt')
#重新建立模型（网络实例化、网络装载）
network = MyNetwork()
network.compile(optimizer=optimizers.Adam(learning_rate=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
#重新加载保存的权值（参数），并测试
network.load_weights('ckpt/weights.ckpt')
print('loaded weights from file.')
network.evaluate(test_db)



# #模型的保存与恢复(该方法把模型也保存了,文件较大,效率比较低)
# #保存模型和参数
# network.save('model/network.h5')
# #删除模型和参数
# del network
# #重新加载模型和参数，并测试
# network = keras.models.load_model('model/network.h5')
# network.evaluate(test_db)
#
#
# #将模型保存为onnx,这是通用格式,python生成的可以用c++解析，一般python训练而用C++部署。（注意，ONNX可以转TensorRT，以部署到NVIDIA的嵌入式设备中）
# #保存为onnx（可以给其它语言使用）
# tf.saved_model.save(network, '/tmp/saved_model/')
# #直接Load
# #imported = tf.saved_model.load(path)
# #f = imported.signatures["serving_default"]