更新時間:2022-02-15 來源:黑馬程序員 瀏覽量:
tf.keras是TensorFlow 2.0的高階API接口，為TensorFlow的代碼提供了新的風格和設計模式，大大提升了TF代碼的簡潔性和復用性，官方也推薦使用tf.keras來進行模型設計和開發。
tf.keras中常用模塊如下表所示：
| 模塊 | 概述 |
| activations | 激活函數 |
| applications | 預訓練網絡模塊 |
| Callbacks | 在模型訓練期間被調用 |
| datasets | tf.keras數據集模塊，包括boston_housing，cifar10，fashion_mnist，imdb ，mnist |
| layers | Keras層API |
| losses | 各種損失函數 |
| metircs | 各種評價指標 |
| models | 模型創建模塊，以及與模型相關的API |
| optimizers | 優化方法 |
| preprocessing | Keras數據的預處理模塊 |
| regularizers | 正則化，L1,L2等 |
| utils | 輔助功能實現 |
深度學習實現的主要流程：1.數據獲取，2，數據處理，3.模型創建與訓練，4 模型測試與評估，5.模型預測。
使用 tf.keras，首先需要在代碼開始時導入tf.keras。
import tensorflow as tf from tensorflow import keras
對于小的數據集，可以直接使用numpy格式的數據進行訓練、評估模型，對于大型數據集或者要進行跨設備訓練時使用tf.data.datasets來進行數據輸入。
# 配置優化方法，損失函數和評價指標 model.compile(optimizer=tf.train.AdamOptimizer(0.001), loss='categorical_crossentropy', metrics=['accuracy'])
模型訓練:
# 指明訓練數據集，訓練epoch,批次大小和驗證集數據model.fit/fit_generator(dataset, epochs=10, batch_size=3, validation_data=val_dataset, )
模型評估：
# 指明評估數據集和批次大小 model.evaluate(x, y, batch_size=32)
模型預測：
# 對新的樣本進行預測 model.predict(x, batch_size=32)
回調函數用在模型訓練過程中，來控制模型訓練行為，可以自定義回調函數，也可使用tf.keras.callbacks 內置的 callback ：
ModelCheckpoint：定期保存 checkpoints。 LearningRateScheduler：動態改變學習速率。 EarlyStopping：當驗證集上的性能不再提高時，終止訓練。 TensorBoard：使用 TensorBoard 監測模型的狀態。
只保存參數:
# 只保存模型的權重
model.save_weights('./my_model')
# 加載模型的權重
model.load_weights('my_model')保存整個模型:# 保存模型架構與權重在h5文件中
model.save('my_model.h5')
# 加載模型：包括架構和對應的權重
model = keras.models.load_model('my_model.h5')
