контент огляд 
 
 
 
 
 
 Керрі Лейкерс Побудований крок Керівні моделі Збереження моделей Перевірка моделей Keras Зверніть увагу, що до цього моменту не згадується про Keras. Ви можете побудувати свій власний API високого рівня на вершині І люди мають. tf.Module У цьому розділі ви розглянете, як використовується Keras Повний посібник користувача для моделей Keras можна знайти в . tf.Module Керівництво Керрі Keras шари і моделі мають набагато більше додаткових функцій, включаючи: 
 
 
 
 
 
 факультативні втрати Підтримка метрики Вбудована підтримка факультативного аргументу навчання для диференціації між навчанням та використанням висновків Збереження та відновлення Python об'єктів замість функцій чорного ящика get_config і from_config методи, які дозволяють точно зберігати конфігурації для дозволу клонування моделей в Python Ці функції дозволяють зробити набагато більш складні моделі через підкласи, такі як налаштований GAN або модель Variational AutoEncoder (VAE). Використовуйте кольори і моделі. Повний посібник Моделі Keras також мають додаткову функціональність, яка робить їх легкими для тренування, оцінки, завантаження, збереження і навіть тренування на декількох машинах. Керрі Лейкерс є базовим класом всіх шарів Кераса, і він успадковується від . tf.keras.layers.Layer tf.Module Можна перетворити модуль на Keras-рівню, просто замінивши батьківський і потім змінюючи два : __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)
 Керівництво Львівщини має свої що робить деякі бухгалтерський облік, описаний в наступному розділі, а потім закликає Ви не повинні помічати ніяких змін у функціональності. __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)>
 ТІ Крок build Як зазначено, в багатьох випадках зручно чекати створення змінних, поки ви не будете впевнені в формі введення. Keras шари поставляються з додатковим кроком життєвого циклу, який дозволяє вам більше гнучкості в тому, як ви визначаєте свої шари. функціонування . build називається точно один раз, і він називається з формою введення.Зазвичай використовується для створення змінних (ваги). build Ви можете переписати Вище наведений шар повинен бути гнучким до розміру його входів: 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)
 На даний момент модель не побудована, тому змінних немає: flexible_dense.variables
 []
 Виклик функції виділяє змінні відповідного розміру: # 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)>]
 З того часу Якщо вхід викликається лише один раз, він буде відхилений, якщо вхідна форма не сумісна з змінними рівня: 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)
 Керівні моделі Ви можете визначити свою модель як гнізд Keras шарів. Однак Keras також надає повнофункціональний клас моделей під назвою Вона успадковується від , так що модель Keras може бути використана і втілена так само, як Keras шари. моделі Keras поставляються з додатковою функціональністю, що робить їх легко тренувати, оцінювати, завантажувати, зберігати і навіть тренувати на декількох машинах. tf.keras.Model tf.keras.layers.Layer Ви можете визначити відверху з майже ідентичним кодом, знову перетворюючи два Як змінити батька: 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)
 Всі ті ж функції доступні, включаючи відстеження змінних та підмодулів. 
 
 Примітка: Грубий tf.Module, закладений всередині Keras шару або моделі, не отримає свої змінні зібрані для тренування або збереження. І РОВ Замість того, щоб гніздити Keras шари всередині Keras шару або моделі, його змінні не будуть зібрані для навчання або збереження. Note: tf.Module 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>)
 перевищувати Це дуже пітонічний підхід до створення моделей TensorFlow. Якщо ви мігруєте моделі з інших рамок, це може бути дуже просто. tf.keras.Model Якщо ви будуєте моделі, які є простими монтажами існуючих шарів і входів, ви можете заощадити час і простір, використовуючи , який поставляється з додатковими особливостями навколо реконструкції моделі та архітектури. Функціональний API Ось така ж модель з функціональним API: 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)>
 Основна відмінність тут полягає в тому, що вхідна форма вказана вперед як частина функціонального процесу будівництва. аргумент в цьому випадку не повинен бути повністю вказаний; ви можете залишити деякі виміри як . input_shape None 
 
 Примітка.: Вам не потрібно вводити input_shape або InputLayer в підкласовій моделі; ці аргументи та шари будуть ігноровані. Примітка.: Вам не потрібно вводити input_shape або InputLayer в підкласовій моделі; ці аргументи та шари будуть ігноровані. Збереження моделей Моделі Keras мають власний спеціалізований формат збереження архіву zip, відзначений розширення. під час дзвінка Додайте а Розширення до файлового імені, наприклад: .keras tf.keras.Model.save .keras my_sequential_model.save("exname_of_file.keras")
 Так само легко їх можна завантажити в: reconstructed_model = tf.keras.models.load_model("exname_of_file.keras")
 Зіпсовий архів - файли — також зберегти стан метрики, втрати та оптимізатора. .keras Ця реконструйована модель може бути використана і дасть той же результат, коли викликана на ті ж дані: 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)>
 Перевірка моделей Keras Моделі Keras також можна перевірити, і це буде виглядати так само, як . tf.Module Дізнайтеся більше про збереження та серіалізацію моделей Keras, включаючи надання методів конфігурації для налаштованих шарів для підтримки функцій. . Керівництво по збереженню та серіалізації Що буде далі Якщо ви хочете дізнатися більше про Keras, ви можете слідувати існуючим керівництвам Keras . Тут Ще один приклад API високого рівня, побудованого на Це звук від DeepMind, який охоплюється . tf.module Ваш сайт 
 
 Ця стаття, спочатку опублікована на веб-сайті TensorFlow, з'являється тут під новим заголовком і ліцензована під CC BY 4.0. Ця стаття, спочатку опублікована на веб-сайті TensorFlow, з'являється тут під новим заголовком і ліцензована під CC BY 4.0. TensorFlow

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

Це аудіо створено мовою оригіналу історії!

Будівництво, підготовка та збереження моделей за допомогою Keras та tf.Module

About Author

КОМЕНТАРІ

ПОВІСИТИ БИРКИ

ЦЯ СТАТТЯ БУЛА ПРЕДСТАВЛЕНА В

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps