tf调不到keras怎么 回事_tf.keras模块——Input、Model
tf.keras.Input()
初始化一个keras张量
tf.keras.Input(
shape=None,
batch_size=None,
name=None,
dtype=None,
sparse=False,
tensor=None,
**kwargs
)
参数：
shape：形状元组(整数)，不包括批量大小。例如，shape=(32,)表示预期输入将是32维向量的批次。
batch_size：可选的静态批处理大小(整数)。
name：图层的可选名称字符串。在模型中应该是唯一的(不要重复使用相同的名称两次)。如果没有提供，它将自动生成。
dtype：数据类型由输入预期的，作为字符串(float32，float64，int32...)
sparse：一个布尔值，指定要创建的占位符是否稀疏。
tensor：可选的现有张量以包装到Input图层中。如果设置，该图层将不会创建占位符张量。
**kwargs：不推荐的参数支持。
案例：
x = Input(shape=(32,))
y = tf.square(x)
tf.keras.Model()
将layers分组为具有训练和推理特征的对象
两种实例化的方式：
1 - 使用“API”，从开始，链接层调用以指定模型的正向传递，最后从输入和输出创建模型：
import tensorflow as tf
inputs = tf.keras.Input(shape=(3,))
x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
outputs = tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)
2 - 通过继承Model类：在这种情况下，您应该在__init__定义你的layers，并且应该在call函数里实现模型的正向传递。
import tensorflow as tf
class MyModel(tf.keras.Model):
def __init__(self):
super(MyModel, self).__init__()
self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)
def call(self, inputs):
x = self.dense1(inputs)
return self.dense2(x)
model = MyModel()
tf.keras.Model.compile():模型编译
compile(
optimizer,---> ['Adadelta', 'Adagrad', 'Adam', 'Adamax', 'FTRL', 'NAdam', 'optimizer', 'RMSprop', 'SGD']
loss=None,
metrics=None,
loss_weights=None,
sample_weight_mode=None,
weighted_metrics=None,
target_tensors=None,
distribute=None,
**kwargs
)
参数：
optimizer: 优化参数，选择范围我们已经在上面的代码块展示了。
loss:
BinaryCrossentropy：计算真实标签和预测标签之间的交叉熵损失。
CategoricalCrossentropy：计算标签和预测之间的交叉熵损失。
CategoricalHinge：计算y_true和y_pred之间的分类铰链损失。
CosineSimilarity：计算y_true和y_pred之间的余弦相似度。
Hinge：计算y_true和y_pred之间的铰链损耗。
Huber：计算y_true和y_pred之间的Huber损失。
KLDivergence：计算y_true和y_pred之间的Kullback Leibler差异损失。
LogCosh：计算预测误差的双曲余弦的对数。
Loss：损失基类。
MeanAbsoluteError：计算标签和预测之间的绝对差异的平均值。
MeanAbsolutePercentageError：计算y_true和y_pred之间的平均绝对百分比误差。
MeanSquaredError：计算标签和预测之间的误差平方的平均值。
MeanSquaredLogarithmicError：计算y_true和y_pred之间的均方对数误差。
Poisson：计算y_true和y_pred之间的泊松损失。
Reduction：减少损失的类型。
SparseCategoricalCrossentropy：计算标签和预测之间的交叉熵损失。
SquaredHinge：计算y_true和y_pred之间的平方铰链损耗。
metrics: 训练和测试期间要使用的评估指标。
1、metrics=['accuracy']
2、多输出模型的不同输出指定不同的度量标准：
metrics={'output_a': 'accuracy', 'output_b': ['accuracy', 'mse']}
metrics=[['accuracy'], ['accuracy', 'mse']]
metrics=['accuracy', ['accuracy', 'mse']]
sample_weight_mode：如果您需要进行时间步长样本加权(2D权重)，请将其设置为"temporal"。 None默认为采样权重(1D)。如果模型具有多个输出，则可以sample_weight_mode通过传递字典或模式列表在每个输出上使用不同的输出。
weighted_metrics：在训练和测试期间由sample_weight或class_weight评估和加权的指标列表。
tf.keras.Model.evaluate():模型评估
evaluate(
x=None,
y=None,
batch_size=None,
verbose=1,
sample_weight=None,
steps=None,
callbacks=None,
max_queue_size=10,
workers=1,
use_multiprocessing=False
)
参数：
x: 测试自变量，可以是Numpy数组或数组列表、TensorFlow张量或张量列表、如果模型具有命名输入，则dict将输入名称映射到相应的数组/张量、tf.data数据集或数据集的迭代、生成器或keras.utils.Sequence实例。
y: 目标数据，类型同x一样。
batch_size: 每个批量处理的数据量。整数。默认为32。如果你的数据是 symbolic tensors, dataset, dataset iterators, generators, or keras.utils.Sequence则不需要指该参数，因为它会生成batchs.
verbose: 0, 1，默认为1。日志显示，批量输出，你可以控制输出的间隔。
steps: 整数或None，每轮迭代的步数。如果x是 tf.data dataset or a dataset iterator, and steps is None，则数据将会耗尽为止。
max_queue_size: 默认为10，生成队列的最大size。
workers: 进程数。
tf.keras.Model.evaluate_generator():在数据生成器上评估模型
evaluate_generator(
generator,
steps=None,
callbacks=None,
max_queue_size=10,
workers=1,
use_multiprocessing=False,
verbose=0
)
tf.keras.Model.fit():在数据上拟合模型
fit(
x=None,
y=None,
batch_size=None,
epochs=1,
verbose=1,
callbacks=None,
validation_split=0.0,
validation_data=None,
shuffle=True,
class_weight=None,
sample_weight=None,
initial_epoch=0,
steps_per_epoch=None,
validation_steps=None,
validation_freq=1,
max_queue_size=10,
workers=1,
use_multiprocessing=False,
**kwargs
)
参数：
validation_split： 0，1之间的浮点数。分割部分数据用于验证，其余用于训练。当x是dataset,
dataset iterator, generator or keras.utils.Sequence时该参数不可用。
validation_data：指定验证集数据(x_val, y_val)、(x_val, y_val, val_sample_weights)；
dataset or a dataset iterator两种数据对于上面两种情况要指定validation_steps。
class_weight： 指定权值分配，可以突出重点关注的类别。(对损失函数加权)
sample_weight： 样本加权，对损失函数加权，以获得更好的结果。这里可以是numpy数组，必须保障shape是和传入
数据大小一致。应该确保在compile()中指定sample_weight_mode=“temporal”，dataset,
dataset iterator, generator, or keras.utils.Sequence不支持该参数。
initial_epoch: 整数。开始训练的epoch(对于恢复以前的训练运行很有用)。
steps_per_epoch: 每个epoch的迭代步数。
validation_steps：
validation_freq: 指定验证的epoch，可以为整数或者列表：如：[1,2,10]。
tf.keras.Model.fit_generator():在数据生成器上拟合模型，可以减少内存消耗
fit_generator(
generator,
steps_per_epoch=None,
epochs=1,
verbose=1,
callbacks=None,
validation_data=None,
validation_steps=None,
validation_freq=1,
class_weight=None,
max_queue_size=10,
workers=1,
use_multiprocessing=False,
shuffle=True,
initial_epoch=0
)
这里传入的数据必须是生成器(yield)，如：
def generate_arrays_from_file(path):
while 1:
f = open(path)
for line in f:
# create numpy arrays of input data
# and labels, from each line in the file
x1, x2, y = process_line(line)
yield ({'input_1': x1, 'input_2': x2}, {'output': y})
f.close()
model.fit_generator(generate_arrays_from_file('/my_file.txt'),
steps_per_epoch=10000, epochs=10)
tf.keras.Model.get_layer():获取图层：根据其名称(唯一)或索引检索图层
get_layer(
name=None,
index=None
)
tf.keras.Model.load_weights():从TensorFlow或HDF5文件加载所有图层权重
load_weights(
filepath,
by_name=False
)
tf.keras.Model.predict():预测
predict(
x,
batch_size=None,
verbose=0,
steps=None,
callbacks=None,
max_queue_size=10,
workers=1,
use_multiprocessing=False
)
参数：
x：Numpy数组(或类数组)或数组列表、TensorFlow张量或张量列表、数据集或数据集的迭代、生成器或keras.utils.Sequence实例
tf.keras.Model.predict_generator():以生成器传入数据进行预测
predict_generator(
generator,
steps=None,
callbacks=None,
max_queue_size=10,
workers=1,
use_multiprocessing=False,
verbose=0
)
tf.keras.Model.predict_on_batch():单批次样本进行预测
predict_on_batch(x)
tf.keras.Model.test_on_batch():单批次样本进行测试
test_on_batch(
x,
y=None,
sample_weight=None,
reset_metrics=True
)
tf.keras.Model.train_on_batch():单批次样本进行训练
train_on_batch(
x,
y=None,
sample_weight=None,
class_weight=None,
reset_metrics=True
)
tf.keras.Model.reset_metrics():重置指标的状态
如果True，返回的指标仅适用于此批次。如果False，指标将在批次之间有状态地累积。
tf.keras.Model.reset_states():重置状态,需要连续调用的时候最好使用resets_states()
tf.keras.Model.save():保存模型
save(
filepath,
overwrite=True,
include_optimizer=True,
save_format=None
)
将模型保存到Tensorflow SavedModel或单个HDF5文件。
保存文件包括：
1、模型体系结构，允许重新实例化模型。
2、模型权重。
3、优化器的状态，允许您从中断的位置恢复训练。
参数：
filepath： 字符串，模型保存的位置
overwrite： 是否静默覆盖目标位置的现有文件，或者为用户提供手动提示
include_optimizer： 如果为True，则将优化器的状态保存在一起
save_format： 保存的类型，‘tf’，‘h5’，目前tf已经禁用了(tensorflow2.0中)
from keras.models import load_model
model.save('my_model.h5') # creates a HDF5 file 'my_model.h5'
del model # deletes the existing model
# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')
tf.keras.Model.save_weights():保存所有图层权重
save_weights(
filepath,
overwrite=True,
save_format=None
)
tf.keras.Model.summary():打印网络的字符串摘要
summary(
line_length=None,
positions=None,
print_fn=None
)
参数：
line_length： 打印行的总长度(例如，将其设置为使显示适应不同的终端窗口大小)。
positions： 每行中日志元素的相对或绝对位置。如果未提供，则默认为[.33, .55, .67, 1.]。
print_fn： 打印功能。默认为print。它将在摘要的每一行上调用。您可以将其设置为自定义函数以捕获字符串摘要。
tf.keras.Model.to_json():返回包含网络配置的JSON字符串
要从保存文件JSON加载网络，请使用keras.models.model_from_json(json_string, custom_objects={})。
tf.keras.Model.to_yaml():返回包含网络配置的yaml字符串
要从yaml保存文件加载网络，请使用 keras.models.model_from_yaml(yaml_string, custom_objects={})。