ภาพรวมเนื้อหา 
 
 
 
 
 
 เคล็ดลับ ขั้นตอนการสร้าง โมเดล Keras ประหยัด Keras รูปแบบ ตรวจสอบแบบจําลอง Keras โปรดทราบว่าจนถึงจุดนี้ไม่มีการพูดถึง Keras คุณสามารถสร้าง API ระดับสูงของคุณเองบน และคนมี tf.Module ในส่วนนี้คุณจะตรวจสอบวิธีการใช้ Keras คู่มือผู้ใช้ที่สมบูรณ์สําหรับรุ่น Keras สามารถพบได้ใน . tf.Module คู่มือ Keras ชั้นและรุ่นของ Keras มีคุณสมบัติเพิ่มเติมมากมายรวมถึง: 
 
 
 
 
 
 การสูญเสียทางเลือก สนับสนุน Metrics สนับสนุนการฝึกอบรมแบบบูรณาการเพื่อแยกความแตกต่างระหว่างการฝึกอบรมและการใช้การสรุป การบันทึกและกู้คืนวัตถุ Python แทนเพียงฟังก์ชั่นกล่องดํา วิธีการ get_config และ from_config ที่ช่วยให้คุณสามารถจัดเก็บการกําหนดค่าได้อย่างแม่นยําเพื่ออนุญาตให้มีการโคลนแบบจําลองใน Python คุณสมบัติเหล่านี้ช่วยให้โมเดลที่ซับซ้อนมากขึ้นผ่านการจัดกลุ่มย่อยเช่น GAN ที่กําหนดเองหรือรุ่น Variational AutoEncoder (VAE) อ่านเกี่ยวกับพวกเขาในบทความนี้ เพื่อ custom layers และรูปแบบ คู่มือเต็มรูปแบบ รุ่น Keras ยังมาพร้อมกับฟังก์ชั่นเพิ่มเติมที่ทําให้พวกเขาง่ายต่อการฝึกอบรมประเมินโหลดบันทึกและแม้กระทั่งการฝึกอบรมบนเครื่องหลายเครื่อง เคล็ดลับ เป็นชั้นฐานของชั้น Keras ทั้งหมดและมันเป็นมรดกจาก . tf.keras.layers.Layer tf.Module คุณสามารถแปลงโมดูลเป็นชั้น Keras โดยเพียงแค่แลกเปลี่ยนผู้ปกครองแล้วเปลี่ยน สอง : __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 layers มีของตัวเอง ที่ทําบางบัญชีที่อธิบายไว้ในส่วนถัดไปและจากนั้นเรียก คุณไม่ควรสังเกตเห็นการเปลี่ยนแปลงในฟังก์ชั่น __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)>
 โซ ขั้นตอน build ดังที่ได้สังเกตเห็นในหลายกรณีสะดวกในการรอการสร้างตัวแปรจนกว่าคุณจะมั่นใจในรูปแบบการป้อนข้อมูล ชั้น Keras มาพร้อมกับขั้นตอนอายุการใช้งานเพิ่มเติมที่ช่วยให้คุณมีความยืดหยุ่นมากขึ้นในการกําหนดชั้นของคุณ นี่คือการกําหนดไว้ใน การทํางาน build เป็นที่เรียกว่าเพียงครั้งเดียวและเรียกว่าด้วยรูปร่างของข้อมูลเข้า มันมักจะใช้เพื่อสร้างตัวแปร (น้ําหนัก) build คุณสามารถเขียนใหม่ ชั้นข้างต้นเพื่อมีความยืดหยุ่นกับขนาดของอินพุต: 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)
 ในขณะนี้รูปแบบไม่ได้สร้างขึ้นดังนั้นจึงไม่มีตัวแปร: flexible_dense.variables
 []
 การเรียกฟังก์ชั่นจะจัดสรรตัวแปรขนาดที่เหมาะสม: # 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)>]
 ตั้งแต่ เมื่อมีการเรียกเพียงครั้งเดียว input จะถูกปฏิเสธหากรูปร่าง input ไม่เข้ากันได้กับตัวแปรของ layer: 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)
 โมเดล Keras คุณสามารถกําหนดรูปแบบของคุณเป็นชั้น Keras ที่หุ้ม อย่างไรก็ตาม Keras ยังมีรุ่นที่มีคุณสมบัติเต็มรูปแบบที่เรียกว่า มันเป็นมรดกจาก ดังนั้นรุ่น Keras สามารถใช้และแทรกในลักษณะเดียวกันกับชั้น Keras รุ่น Keras มาพร้อมกับฟังก์ชั่นเพิ่มเติมที่ทําให้พวกเขาง่ายต่อการฝึกอบรมประเมินโหลดบันทึกและแม้กระทั่งการฝึกอบรมบนเครื่องหลายเครื่อง tf.keras.Model tf.keras.layers.Layer คุณสามารถกําหนด จากด้านบนด้วยรหัสเกือบจะเหมือนกันอีกครั้งแปลง สอง และเปลี่ยนผู้ปกครอง: 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)
 คุณสมบัติเดียวกันทั้งหมดพร้อมใช้งานรวมถึงการติดตามตัวแปรและโมดูลย่อย 
 
 หมายเหตุ: โมดูล tf วัตถุดิบที่ติดอยู่ภายในชั้นหรือรุ่นของ Keras จะไม่ได้รับการเก็บรวบรวมตัวแปรของมันเพื่อการฝึกอบรมหรือการบันทึก แทนที่จะติดชั้นของ Keras ภายในชั้นของ Keras หมายเหตุ: โมดูล tf วัตถุดิบที่ติดอยู่ภายในชั้นหรือรุ่นของ Keras จะไม่ได้รับการเก็บรวบรวมตัวแปรของมันเพื่อการฝึกอบรมหรือการบันทึก แทนที่จะติดชั้นของ Keras ภายในชั้นของ Keras 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>)
 แข่ง เป็นวิธีการ Pythonic เพื่อสร้างโมเดล TensorFlow หากคุณกําลังย้ายโมเดลจากกรอบอื่น ๆ นี้สามารถทําได้ง่ายมาก tf.keras.Model หากคุณกําลังสร้างรูปแบบที่ประกอบง่ายของชั้นและอินพุตที่มีอยู่คุณสามารถประหยัดเวลาและพื้นที่โดยใช้ , ซึ่งมาพร้อมกับคุณสมบัติเพิ่มเติมเกี่ยวกับการสร้างแบบจําลองและสถาปัตยกรรม ฟังก์ชั่น API นี่คือรูปแบบเดียวกันกับ API ฟังก์ชั่น: 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)>
 ความแตกต่างที่สําคัญที่นี่คือรูปร่างการป้อนข้อมูลจะระบุไว้ด้านหน้าเป็นส่วนหนึ่งของกระบวนการก่อสร้างการทํางาน argument ในกรณีนี้ไม่จําเป็นต้องระบุอย่างสมบูรณ์ คุณสามารถปล่อยให้บางมิติเป็น . input_shape None 
 
 หมายเหตุ: คุณไม่จําเป็นต้องระบุ input_shape หรือ InputLayer ในรูปแบบ subclassed อัจฉริยะและชั้นเหล่านี้จะถูกลืม หมายเหตุ: คุณไม่จําเป็นต้องระบุ input_shape หรือ InputLayer ในรูปแบบ subclassed อัจฉริยะและชั้นเหล่านี้จะถูกลืม ประหยัด Keras รูปแบบ โมเดล Keras มีรูปแบบการบันทึกไฟล์ zip พิเศษของตัวเอง การขยายตัว เมื่อโทร เพิ่ม a การขยายชื่อไฟล์ ตัวอย่างเช่น: .keras tf.keras.Model.save .keras my_sequential_model.save("exname_of_file.keras")
 เช่นเดียวกับง่าย ๆ พวกเขาสามารถโหลดกลับลงใน: reconstructed_model = tf.keras.models.load_model("exname_of_file.keras")
 Keras Zip ไฟล์ - ไฟล์ - นอกจากนี้ยังบันทึกสถานะเมตริก, การสูญเสียและการเพิ่มประสิทธิภาพ .keras รุ่นที่สร้างขึ้นใหม่นี้สามารถใช้ได้และจะให้ผลเดียวกันเมื่อเรียกข้อมูลเดียวกัน: 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)>
 ตรวจสอบแบบจําลอง Keras โมเดล Keras สามารถตรวจสอบได้และจะดูเหมือนกัน . tf.Module มีข้อมูลเพิ่มเติมเกี่ยวกับการบันทึกและ serialization ของรุ่น Keras รวมถึงการให้วิธีการกําหนดค่าสําหรับชั้นที่กําหนดเองสําหรับการสนับสนุนคุณสมบัติ ดูที่ . คู่มือการประหยัดและ serialization สิ่งที่ถัดไป หากคุณต้องการทราบรายละเอียดเพิ่มเติมเกี่ยวกับ Keras คุณสามารถทําตามคู่มือ Keras ที่มีอยู่ . ที่นี่ ตัวอย่างอื่น ๆ ของ API ระดับสูงที่สร้างขึ้นบน เป็น Sonnet จาก DeepMind ซึ่งครอบคลุมบน . tf.module เว็บไซต์ของคุณ 
 
 อ้างอิงที่เผยแพร่บนเว็บไซต์ TensorFlow บทความนี้ปรากฏที่นี่ภายใต้หัวข้อใหม่และมีใบอนุญาตภายใต้ CC BY 4.0 ตัวอย่างรหัสที่ใช้ร่วมกันภายใต้ใบอนุญาต Apache 2.0 โพสต์ครั้งแรกใน The บทความนี้ปรากฏที่นี่ภายใต้หัวข้อใหม่และมีใบอนุญาตภายใต้ CC BY 4.0 ตัวอย่างรหัสที่ใช้ร่วมกันภายใต้ใบอนุญาต Apache 2.0 TensorFlow TensorFlow

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

เสียงนี้ผลิตในภาษาต้นฉบับของเรื่องราว!

สร้างการฝึกอบรมและบันทึกรูปแบบโดยใช้ Keras และ tf.Module

About Author

ความคิดเห็น

แขวนแท็ก

บทความนี้ถูกนำเสนอใน

Related Stories

CHANGES AT MILTON.

THE ADVENTURES IN COLORADO

The German Air-fleet

MOCKING AT FATE

CHANGES AT MILTON.

THE ADVENTURES IN COLORADO

The German Air-fleet

MOCKING AT FATE

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps