Sadržaj Pregled 
 
 
 
 
 
 Korišćenje Layers Izgradnja koraka Korišćenje modela Spasavanje Keras modela Checkpointing Keras modeli Imajte na umu da do ovog trenutka, ne spominje se Keras. Možete izgraditi sopstveni API visokog nivoa na vrhu I ljudi imaju. tf.Module U ovom odeljku ćete proučiti kako Keras koristi Kompletan korisnički vodič za Keras modele može se naći u . tf.Module Vodič Keras Keras slojevi i modeli imaju mnogo više dodatnih značajki, uključujući: 
 
 
 
 
 
 Opcionalni gubici Potpora za metriku Ugrađena podrška za opcionalni argument za obuku kako bi se razlikovala upotreba obuke i zaključka Čuvanje i vraćanje Python objekata umjesto samo funkcija crne kutije metode get_config i from_config koje vam omogućuju precizno skladištenje konfiguracija kako bi se omogućilo kloniranje modela u Pythonu Ove značajke omogućuju mnogo složenije modele kroz podklasifikaciju, kao što je prilagođeni GAN ili varijabilni AutoEncoder (VAE) model. za custom slojeve i modele. Kompletni vodič Keras modeli također dolaze s dodatnom funkcionalnošću koja ih čini lakim za obuku, procjenu, punjenje, čuvanje, pa čak i obuku na više mašina. Korišćenje Layers je osnovna klasa svih Keras slojeva, a nasljeđuje od . tf.keras.layers.Layer tf.Module Možete pretvoriti modul u Keras sloj jednostavno zamjenom roditelja i zatim promjenom dva : __call__ call class MyDense(tf.keras.layers.Layer):
  # Adding **kwargs to support base Keras layer arguments
  def __init__(self, in_features, out_features, **kwargs):
    super().__init__(**kwargs)

    # This will soon move to the build step; see below
    self.w = tf.Variable(
      tf.random.normal([in_features, out_features]), name='w')
    self.b = tf.Variable(tf.zeros([out_features]), name='b')
  def call(self, x):
    y = tf.matmul(x, self.w) + self.b
    return tf.nn.relu(y)

simple_layer = MyDense(name="simple", in_features=3, out_features=3)
 Keras slojevi imaju svoje to čini neki računovodstvo opisano u narednom odjeljku, a zatim poziva Ne biste trebali primetiti nikakve promene u funkcionalnosti. __call__ call() simple_layer([[2.0, 2.0, 2.0]])
 <tf.Tensor: shape=(1, 3), dtype=float32, numpy=array([[1.1688161, 0.       , 0.       ]], dtype=float32)>
 Naši Koraci build Kao što je navedeno, u mnogim slučajevima prikladno je sačekati da se kreiraju varijable dok ne budete sigurni u oblik ulaza. Keras slojevi dolaze s dodatnim korakom životnog ciklusa koji vam omogućuje veću fleksibilnost u tome kako definisati svoje slojeve. funkcije . build se zove tačno jednom, a zove se oblikom ulaza. To se obično koristi za stvaranje varijabilnih (težina). build Možete ponovo napisati gornji sloj da bude fleksibilan prema veličini njegovih ulaza: MyDense class FlexibleDense(tf.keras.layers.Layer):
  # Note the added `**kwargs`, as Keras supports many arguments
  def __init__(self, out_features, **kwargs):
    super().__init__(**kwargs)
    self.out_features = out_features

  def build(self, input_shape):  # Create the state of the layer (weights)
    self.w = tf.Variable(
      tf.random.normal([input_shape[-1], self.out_features]), name='w')
    self.b = tf.Variable(tf.zeros([self.out_features]), name='b')

  def call(self, inputs):  # Defines the computation from inputs to outputs
    return tf.matmul(inputs, self.w) + self.b

# Create the instance of the layer
flexible_dense = FlexibleDense(out_features=3)
 U ovom trenutku, model nije izgrađen, tako da nema varijabilnih: flexible_dense.variables
 []
 Pozivanje funkcije dodjeljuje odgovarajuće veličine varijable: # Call it, with predictably random results
print("Model results:", flexible_dense(tf.constant([[2.0, 2.0, 2.0], [3.0, 3.0, 3.0]])))
 Model results: tf.Tensor(
[[-2.531786  -5.5550847 -0.4248762]
 [-3.7976792 -8.332626  -0.6373143]], shape=(2, 3), dtype=float32)
 flexible_dense.variables
 [<tf.Variable 'flexible_dense/w:0' shape=(3, 3) dtype=float32, numpy=
 array([[-0.77719826, -1.9281565 ,  0.82326293],
        [ 0.85628736, -0.31845194,  0.10916236],
        [-1.3449821 , -0.5309338 , -1.1448634 ]], dtype=float32)>,
 <tf.Variable 'flexible_dense/b:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>]
 od ako je pozvan samo jednom, ulaz će biti odbijen ako ulazni oblik nije kompatibilan s promjenjivima sloja: build try:
  print("Model results:", flexible_dense(tf.constant([[2.0, 2.0, 2.0, 2.0]])))
except tf.errors.InvalidArgumentError as e:
  print("Failed:", e)
 Failed: Exception encountered when calling layer 'flexible_dense' (type FlexibleDense).

{ {function_node __wrapped__MatMul_device_/job:localhost/replica:0/task:0/device:CPU:0} } Matrix size-incompatible: In[0]: [1,4], In[1]: [3,3] [Op:MatMul] name: 

Call arguments received by layer 'flexible_dense' (type FlexibleDense):
  • inputs=tf.Tensor(shape=(1, 4), dtype=float32)
 Korišćenje modela Možete definisati svoj model kao ništene Keras slojeve. Međutim, Keras takođe pruža punu klasu modela pod nazivom On nasleđuje od Keras modeli dolaze s dodatnom funkcionalnošću koja ih čini jednostavnim za obuku, evaluaciju, punjenje, čuvanje, pa čak i obuku na više mašina. tf.keras.Model tf.keras.layers.Layer Možete definisati odozgo s gotovo identičnim kodom, opet pretvarajući dva Promena roditelja: SequentialModule __call__ call() @keras.saving.register_keras_serializable()
class MySequentialModel(tf.keras.Model):
  def __init__(self, name=None, **kwargs):
    super().__init__(**kwargs)

    self.dense_1 = FlexibleDense(out_features=3)
    self.dense_2 = FlexibleDense(out_features=2)
  def call(self, x):
    x = self.dense_1(x)
    return self.dense_2(x)

# You have made a Keras model!
my_sequential_model = MySequentialModel(name="the_model")

# Call it on a tensor, with random results
print("Model results:", my_sequential_model(tf.constant([[2.0, 2.0, 2.0]])))
 Model results: tf.Tensor([[ 0.26034355 16.431221  ]], shape=(1, 2), dtype=float32)
 Sve iste funkcije su dostupne, uključujući praćenje varijable i podmodule. 
 
 Napomena: Sirovi tf.Modul unutar Keras sloja ili modela neće dobiti svoje varijable prikupljene za obuku ili štednju. Umjesto toga, gnezdo Keras slojeve unutar Keras slojeva. Napomena: Sirovi tf.Modul unutar Keras sloja ili modela neće dobiti svoje varijable prikupljene za obuku ili štednju. Umjesto toga, gnezdo Keras slojeve unutar Keras slojeva. my_sequential_model.variables
 [<tf.Variable 'my_sequential_model/flexible_dense_1/w:0' shape=(3, 3) dtype=float32, numpy=
 array([[ 1.4749854 ,  0.16090827,  2.2669017 ],
        [ 1.6850946 ,  1.1545411 ,  0.1707306 ],
        [ 0.8753734 , -0.13549292,  0.08751986]], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_1/b:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_2/w:0' shape=(3, 2) dtype=float32, numpy=
 array([[-0.8022977 ,  1.9773549 ],
        [-0.76657015, -0.8485579 ],
        [ 1.6919082 ,  0.49000967]], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_2/b:0' shape=(2,) dtype=float32, numpy=array([0., 0.], dtype=float32)>]
 my_sequential_model.submodules
 (<__main__.FlexibleDense at 0x7f790c7e0e80>,
 <__main__.FlexibleDense at 0x7f790c7e6940>)
 Preuzimanje je vrlo Pythonic pristup izgradnji TensorFlow modela. Ako ste migriranje modela iz drugih okvira, to može biti vrlo jednostavno. tf.keras.Model Ako gradite modele koji su jednostavni skupovi postojećih slojeva i ulazaka, možete uštedeti vreme i prostor koristeći , koji dolazi s dodatnim karakteristikama oko rekonstrukcije modela i arhitekture. Funkcionalna vatra Evo istog modela sa funkcionalnim API-jem: inputs = tf.keras.Input(shape=[3,])

x = FlexibleDense(3)(inputs)
x = FlexibleDense(2)(x)

my_functional_model = tf.keras.Model(inputs=inputs, outputs=x)

my_functional_model.summary()
 Model: "model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 input_1 (InputLayer)        [(None, 3)]               0         
                                                                 
 flexible_dense_3 (Flexible  (None, 3)                 12        
 Dense)                                                          
                                                                 
 flexible_dense_4 (Flexible  (None, 2)                 8         
 Dense)                                                          
                                                                 
=================================================================
Total params: 20 (80.00 Byte)
Trainable params: 20 (80.00 Byte)
Non-trainable params: 0 (0.00 Byte)
_________________________________________________________________
 my_functional_model(tf.constant([[2.0, 2.0, 2.0]]))
 <tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[3.4276495, 2.937252 ]], dtype=float32)>
 Glavna razlika je u tome što je ulazni oblik naveden ispred kao deo funkcionalnog procesa izgradnje. argument u ovom slučaju ne mora biti u potpunosti naveden; možete ostaviti neke dimenzije kao . input_shape None 
 
 Napomena: Ne morate da navedete input_shape ili InputLayer u podklasificiranom modelu; ovi argumenti i slojevi će biti ignorisani. Napomena: Ne morate da navedete input_shape ili InputLayer u podklasificiranom modelu; ovi argumenti i slojevi će biti ignorisani. Spasavanje Keras modela Keras modeli imaju svoj specijalizirani format za čuvanje zip arhiva, označen proširenje. kada se zove Dodaj A proširenje na datoteku. Na primjer: .keras tf.keras.Model.save .keras my_sequential_model.save("exname_of_file.keras")
 Jednako lako, oni se mogu ponovno učitati u: reconstructed_model = tf.keras.models.load_model("exname_of_file.keras")
 Keras zip arhive - datoteke – takođe sačuvajte metričke, gubitne i optimizatorske države. .keras Ovaj rekonstruirani model može se koristiti i donosi isti rezultat kada se pozove na iste podatke: reconstructed_model(tf.constant([[2.0, 2.0, 2.0]]))
 <tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[ 0.26034355, 16.431221  ]], dtype=float32)>
 Checkpointing Keras modeli Keras modeli se također mogu kontrolisati, a to će izgledati isto kao i . tf.Module Postoji više informacija o čuvanju i serijaliziranju Keras modela, uključujući pružanje metoda konfiguracije za prilagođene slojeve za podršku značajkama. . Vodič za štednju i serijaciju Šta je sledeće Ako želite saznati više detalja o Keras, možete pratiti postojeće vodiče Keras . Ovde Još jedan primer visokog nivoa API izgrađen na je Sonnet iz DeepMind, koji je pokriven na . tf.module Njihova web stranica 
 
 Prvotno objavljen na web stranici TensorFlow, ovaj članak se pojavljuje ovdje pod novim naslovom i licenciran je pod CC BY 4.0. Prvotno objavljen na Ovaj članak se ovdje pojavljuje pod novim naslovom i licenciran je pod CC BY 4.0. TensorFlow Tenzorski tokovi

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Ovaj audio je proizveden na originalnom jeziku priče!

Izgradite, vozite i sačuvajte modele koristeći Keras i tf.Module

About Author

KOMENTARI

HANG TAGS

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps