首發：AI公園公眾號
作者：Rohan Jagtap
編譯：ronghuaiyang

導讀

掌握這些可以更高效的模型的提高開發效率。

TensorFlow 2.x在構建模型和TensorFlow的整體使用方面提供了很多簡單性。那么TF2有什么新變化呢？

使用Keras輕松構建模型，立即執行。

可在任何平臺上進行強大的模型部署。

強大的研究實驗。

通過清理過時的API和減少重復來簡化API。

在本文中，我們將探索TF 2.0的10個特性，這些特性使得使用TensorFlow更加順暢，減少了代碼行數并提高了效率。

1(a). tf.data 構建輸入管道

tf.data提供了數據管道和相關操作的功能。我們可以建立管道，映射預處理函數，洗牌或批處理數據集等等。

從tensors構建管道

>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1])>>>iter(dataset).next().numpy()8

構建Batch并打亂

#Shuffle>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).shuffle(6)>>>iter(dataset).next().numpy()0#Batch>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).batch(2)>>>iter(dataset).next().numpy()array([8,3],dtype=int32)#ShuffleandBatch>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).shuffle(6).batch(2)>>>iter(dataset).next().numpy()array([3,0],dtype=int32)

把兩個Datsets壓縮成一個

>>>dataset0=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1])>>>dataset1=tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6])>>>dataset=tf.data.Dataset.zip((dataset0,dataset1))>>>iter(dataset).next()(,)

映射外部函數

definto_2(num):returnnum*2>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).map(into_2)>>>iter(dataset).next().numpy()16

1(b). ImageDataGenerator

這是tensorflow.keras API的最佳特性之一。ImageDataGenerator能夠在批處理和預處理以及數據增強的同時實時生成數據集切片。

生成器允許直接從目錄或數據目錄中生成數據流。

ImageDataGenerator中關于數據增強的一個誤解是，它向現有數據集添加了更多的數據。雖然這是數據增強的實際定義，但是在ImageDataGenerator中，數據集中的圖像在訓練的不同步驟被動態地變換，使模型可以在未見過的有噪數據上進行訓練。

train_datagen=ImageDataGenerator(rescale=1./255,shear_range=0.2,zoom_range=0.2,horizontal_flip=True)

在這里，對所有樣本進行重新縮放(用于歸一化)，而其他參數用于增強。

train_generator=train_datagen.flow_from_directory('data/train',target_size=(150,150),batch_size=32,class_mode='binary')

我們為實時數據流指定目錄。這也可以使用dataframes來完成。

train_generator=flow_from_dataframe(dataframe,x_col='filename',y_col='class',class_mode='categorical',batch_size=32)

_x/_col_參數定義圖像的完整路徑，而_y/_col_參數定義用于分類的標簽列。

模型可直接用生成器來喂數據。需要指定_steps/_per/_epoch_參數，即_number/_of/_samples // batch/_size._

model.fit(train_generator,validation_data=val_generator,epochs=EPOCHS,steps_per_epoch=(num_samples//batch_size),validation_steps=(num_val_samples//batch_size))

2. 使用tf.image做數據增強

數據增強是必要的。在數據不足的情況下，對數據進行更改并將其作為單獨的數據點來處理，是在較少數據下進行訓練的一種非常有效的方式。

tf.image API中有用于轉換圖像的工具，然后可以使用tf.data進行數據增強。

flipped=tf.image.flip_left_right(image)visualise(image,flipped)

上面的代碼的輸出

saturated=tf.image.adjust_saturation(image,5)visualise(image,saturated)

上面的代碼的輸出

rotated=tf.image.rot90(image)visualise(image,rotated)

上面的代碼的輸出

cropped=tf.image.central_crop(image,central_fraction=0.5)visualise(image,cropped)

上面的代碼的輸出

3. TensorFlow Datasets

pipinstalltensorflow-datasets

這是一個非常有用的庫，因為它包含了TensorFlow從各個領域收集的非常著名的數據集。

importtensorflow_datasetsastfdsmnist_data=tfds.load("mnist")mnist_train,mnist_test=mnist_data["train"],mnist_data["test"]assertisinstance(mnist_train,tf.data.Dataset)

tensorflow-datasets中可用的數據集的詳細列表可以在：https://www.tensorflow.org/da...。

tfds提供的數據集類型包括：音頻，圖像，圖像分類，目標檢測，結構化數據，摘要，文本，翻譯，視頻。

4. 使用預訓練模型進行遷移學習

遷移學習是機器學習中的一項新技術，非常重要。如果一個基準模型已經被別人訓練過了，而且訓練它需要大量的資源(例如：多個昂貴的gpu，一個人可能負擔不起)。轉移學習，解決了這個問題。預先訓練好的模型可以在特定的場景中重用，也可以為不同的場景進行擴展。

TensorFlow提供了基準的預訓練模型，可以很容易地為所需的場景擴展。

base_model=tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,include_top=False,weights='imagenet')

這個_base/_model_可以很容易地通過額外的層或不同的模型進行擴展。如：

model=tf.keras.Sequential([base_model,global_average_layer,prediction_layer])

5. Estimators

估計器是TensorFlow對完整模型的高級表示，它被設計用于易于擴展和異步訓練

預先制定的estimators提供了一個非常高級的模型抽象，因此你可以直接集中于訓練模型，而不用擔心底層的復雜性。例如:

linear_est=tf.estimator.LinearClassifier(feature_columns=feature_columns)linear_est.train(train_input_fn)result=linear_est.evaluate(eval_input_fn)

這顯示了使用tf.estimator. Estimators構建和訓練estimator是多么容易。estimator也可以定制。

TensorFlow有許多estimator ，包括LinearRegressor，BoostedTreesClassifier等。

6. 自定義層

神經網絡以許多層深網絡而聞名，其中層可以是不同的類型。TensorFlow包含許多預定義的層(如density, LSTM等)。但對于更復雜的體系結構，層的邏輯要比基礎的層復雜得多。對于這樣的情況，TensorFlow允許構建自定義層。這可以通過子類化tf.keras.layers來實現。

classCustomDense(tf.keras.layers.Layer):def__init__(self,num_outputs):super(CustomDense,self).__init__()self.num_outputs=num_outputsdefbuild(self,input_shape):self.kernel=self.add_weight("kernel",shape=[int(input_shape[-1]),self.num_outputs])defcall(self,input):returntf.matmul(input,self.kernel)

正如在文檔中所述，實現自己的層的最好方法是擴展 tf.keras.Layer類并實現：

/__init/__，你可以在這里做所有與輸入無關的初始化。

_build_，其中你知道輸入張量的形狀，然后可以做剩下的初始化工作。

_call_，在這里進行前向計算。

雖然kernel的初始化可以在*/_init/__中完成，但是最好在_build_中進行初始化，否則你必須在創建新層的每個實例上顯式地指定_input/_shape*。

7. 自定義訓練

tf.keras Sequential 和Model API使得模型的訓練更加容易。然而，大多數時候在訓練復雜模型時，使用自定義損失函數。此外，模型訓練也可能不同于默認訓練(例如，分別對不同的模型組件求梯度)。

TensorFlow的自動微分有助于有效地計算梯度。這些原語用于定義自定義訓練循環。

deftrain(model,inputs,outputs,learning_rate):withtf.GradientTape()ast:#ComputingLossesfromModelPredictioncurrent_loss=loss(outputs,model(inputs))#GradientsforTrainableVariableswithObtainedLossesdW,db=t.gradient(current_loss,[model.W,model.b])#ApplyingGradientstoWeightsmodel.W.assign_sub(learning_rate*dW)model.b.assign_sub(learning_rate*db)

這個循環可以在多個epoch中重復，并且根據用例使用更定制的設置。

8. Checkpoints

保存一個TensorFlow模型可以有兩種方式：

SavedModel：保存模型的完整狀態以及所有參數。這是獨立于源代碼的。model.save_weights('checkpoint')

Checkpoints

Checkpoints 捕獲模型使用的所有參數的值。使用Sequential API或Model API構建的模型可以簡單地以SavedModel格式保存。

然而，對于自定義模型，checkpoints是必需的。

檢查點不包含模型定義的計算的任何描述，因此通常只有當源代碼可用時，保存的參數值才有用。

保存 Checkpoint

checkpoint_path=“save_path”#DefiningaCheckpointckpt=tf.train.Checkpoint(model=model,optimizer=optimizer)#CreatingaCheckpointManagerObjectckpt_manager=tf.train.CheckpointManager(ckpt,checkpoint_path,max_to_keep=5)#SavingaModelckpt_manager.save()

從 Checkpoint 加載模型

TensorFlow從被加載的對象開始，通過遍歷帶有帶有名字的邊的有向圖來將變量與檢查點值匹配。

ifckpt_manager.latest_checkpoint:ckpt.restore(ckpt_manager.latest_checkpoint)

9. Keras Tuner

這是TensorFlow中的一個相當新的特性。

!pipinstallkeras-tuner

超參數調優調優是對定義的ML模型配置的參數進行篩選的過程。在特征工程和預處理之后，這些因素是模型性能的決定性因素。

#model_builderisafunctionthatbuildsamodelandreturnsittuner=kt.Hyperband(model_builder,objective='val_accuracy',max_epochs=10,factor=3,directory='my_dir',project_name='intro_to_kt')

除了HyperBand之外，BayesianOptimization和RandomSearch 也可用于調優。

tuner.search(img_train,label_train,epochs=10,validation_data=(img_test,label_test),callbacks=[ClearTrainingOutput()])#Gettheoptimalhyperparametersbest_hps=tuner.get_best_hyperparameters(num_trials=1)[0]

然后，我們使用最優超參數訓練模型：

model=tuner.hypermodel.build(best_hps)model.fit(img_train,label_train,epochs=10,validation_data=(img_test,label_test))

10. 分布式訓練

如果你有多個GPU，并且希望通過分散訓練循環在多個GPU上優化訓練，TensorFlow的各種分布式訓練策略能夠優化GPU的使用，并為你操縱GPU上的訓練。

tf.distribute.MirroredStrategy是最常用的策略。它是如何工作的呢？

所有的變量和模型圖被復制成副本。

輸入均勻分布在不同的副本上。

每個副本計算它接收到的輸入的損失和梯度。

同步的所有副本的梯度并求和。

同步后，對每個副本上的變量進行相同的更新。

strategy=tf.distribute.MirroredStrategy()withstrategy.scope():model=tf.keras.Sequential([tf.keras.layers.Conv2D(32,3,activation='relu',input_shape=(28,28,1)),tf.keras.layers.MaxPooling2D(),tf.keras.layers.Flatten(),tf.keras.layers.Dense(64,activation='relu'),tf.keras.layers.Dense(10)])model.compile(los,optimize,metrics=['accuracy'])

審核編輯 黃昊宇