博客

1、compile

配置用于训练的模型。

用法：

compile
(
    optimizer='rmsprop',
    loss=None,
    metrics=None,
    loss_weights=None,
    sample_weight_mode=None,
    weighted_metrics=None,
    target_tensors=None,
    distribute=None,
    **kwargs
)

参数说明：

• 
  optimizer
  
  – 用来配置模型的优化器，可以调用tf.keras.optimizers API配置模型所需要的优化器。
• 
  loss
  
  – 用来配置模型的损失函数，可以通过名称调用tf.losses API中已经定义好的loss函数。
• 
  metrics
  
  – 用来配置模型评价的方法，如accuracy、mse等。

2、evaluate

返回测试模式下模型的损失值和指标值。

用法：

evaluate
(
    x=None,
    y=None,
    batch_size=None,
    verbose=1,
    sample_weight=None,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False
)

分批进行计算。

参数说明：

• 
  x
  
  – 输入数据。它可能是（1）Numpy数组（或array-like）或数组列表（如果模型具有多个输入）。（2）TensorFlow张量或张量列表（如果模型具有多个输入）。（3）如果模型已命名输入，则dict将输入名称映射到相应的数组/张量。（4）tf.data数据集。（5）生成器或keras.utils.Sequence实例。有关迭代器类型（数据集，生成器，序列）的Unpacking behavior for iterator-like inputs的详细说明，请参见Model.fit部分。
• 
  y
  
  – 目标数据。像输入数据x一样，它可以是Numpy数组或TensorFlow张量。它应该与x一致。如果x是数据集，生成器或keras.utils.Sequence实例，则不应该指定y（因为将从迭代器/数据集获取目标）。
• 
  batch_size
  
  – 整数或None。每个梯度更新的样本数。如果未指定，batch_size将默认为32。如果您的数据采用符号张量，数据集，生成器或keras.utils.Sequence实例的形式（因为它们生成批次），则不要指定batch_size。
• 
  verbose
  
  – 0或1, 0 = silent, 1 = progress bar。
• 
  sample_weight
  
  – 测试样本的可选Numpy权重数组，用于加权损失函数。
• 
  steps
  
  – 整数或None。 宣布评估阶段结束之前的步骤总数（样本批次）。忽略默认值None。
• 
  callbacks
  
  – keras.callbacks.Callback实例列表。评估期间要应用的回调列表。请参阅回调。
• 
  max_queue_size
  
  – 整数。仅用于generator或keras.utils.Sequence输入。生成器队列的最大大小。如果未指定，max_queue_size将默认为10。
• 
  workers
  
  – 整数。仅用于generator或keras.utils.Sequence输入。使用基于进程的线程时，要启动的最大进程数。如果未指定，worker将默认为1。如果为0，将在主线程上执行生成器。
• 
  use_multiprocessing
  
  – 布尔值。仅用于generator或keras.utils.Sequence输入。如果为True，则使用基于进程的线程。如果未指定，则use_multiprocessing将默认为False。请注意，由于此实现依赖于多处理，因此不应将不可拾取的参数传递给生成器，因为它们无法轻易传递给子进程。

3、fit

Model.evaluate现在支持生成器，因此不再需要使用此 endpoint。

为模型训练固定的epochs （数据集上的迭代）。

用法：

fit
(
    x=None,
    y=None,
    batch_size=None,
    epochs=1,
    verbose=1,
    callbacks=None,
    validation_split=0.0,
    validation_data=None,
    shuffle=True,
    class_weight=None,
    sample_weight=None,
    initial_epoch=0,
    steps_per_epoch=None,
    validation_steps=None,
    validation_freq=1,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
    **kwargs
)

参数说明：

• 
  x
  
  – 配置训练的输入数据，可以是array或者tensor类型。
• 
  y
  
  – 配置训练的标注数据，可以是array或者tensor类型。
• 
  batch_size
  
  – 配置批大小，默认值是32
• 
  epochs
  
  – 配置训练的epochs的数量
• 
  verbose
  
  – 配置训练过程信息输出的级别，共有三个级别，分别是0、1、2。0代表不输出任何训练过程信息；1代表以进度条的方式输出训练过程信息；2代表每个epoch输出一条训练过程信息。
• 
  validation_split
  
  – 配置验证数据集占训练数据集的比例，取值范围为0～1。
• 
  validation_data
  
  – 配置验证数据集。如果已经配置validation_split参数，则可以不配置该参数。如果同时配置validation_split和validation_data参数，那么validation_split参数的配置将会失效。
• 
  shuffle
  
  – 配置是否随机打乱训练数据。当配置steps_per_epoch为None时，本参数的配置失效。
• 
  initial_epoch
  
  – 配置进行fine-tune时，新的训练周期是从指定的epoch开始继续训练的。
• 
  steps_per_epoch
  
  – 配置每个epoch训练的步数。

4、predict

生成输入样本的输出预测。

predict
(
    x,
    batch_size=None,
    verbose=0,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False
)

参数说明：

• 
  x
  
  – 配置需要预测的数据集，可以是Array或者Tensor。
• 
  batch_size
  
  – 配置预测时的批大小，默认值是32

5、简单的用法讲解

（1）训练train的简单写法

没有用

compile

时一个标准的训练的流程(

一个标准的前向传播实例见下面的附录

)：

with tf.GradientTape() as tape:
  # [b, 28, 28] => [b, 784]
  x = tf.reshape(x, (-1, 28*28))
  # [b, 784] => [b, 10]
  out = network(x)
  # [b] => [b, 10]
  y_onehot = tf.one_hot(y, depth = 10)
  # [b]
  loss = tf.reduce_mean(tf.losses.categorical_crossentropy(y_onehot, out, from_logits = True))   # compile

grads = tape.gradient(loss, network.trainable_variables)  # compile
optimizer.apply_gradients(zip(grads, network.trainable_variables))  # compile

使用

compile

&

fit

来实现一个简洁的写法：

使用

compile

将一些额外的参数指定进来

network.compile(optimizer = optimizers.Adam(lr = 0.01),  # 优化器的选择
    loss = tf.losses.CategoricalCrossentropy(from_logits = True),  # 指定loss和指定logits
    metrics = ['accuracy']  # 指定测试的指标
    )

下面的是一个标准的写法：

for epoch in range(epochs):
  for step, (x, y) in enumerate(db):
    ...

现在用

fit

写成如下的形式：

network.compile(optimizer = optimizers.Adam(lr = 0.01),  # 优化器的选择
    loss = tf.losses.CategoricalCrossentropy(from_logits = True),  # 指定loss和指定logits
    #metrics = ['accuracy']  # 指定测试的指标
    )
network.fit(db, epochs = 10)

（2）测试test的简单写法

没有用

compile

时一个标准的测试的流程(注，测试时epoch总是为1)：

# evaluate
if stpe % 500 == 0:
  total, total_correct = 0., 0

  for step, (x, y) in enumerate(ds_val):
    # [b, 28, 28] => [b, 784]
    x = tf.reshape(x, (-1, 28*28))
    # [b, 784] => [b, 10]
    out = network(x)
    # [b, 10] => [b]
    pred = tf.argmax(out, axis = 1)
    pred = tf.cast(pred, dtype = tf.int32)
    # bool type
    correct = tf.equal(pred, y)
    # bool tensor => int tensor => numpy
    total_correct += tf.reduce_sum(tf.cast(correct, dtype = tf.int32)).numpy()
    total += x.shape[0]

print(step, 'Evaluate Acc', total_correct/total)

用

compile

&

fit

的写法如下：

network.compile(optimizer = optimizers.Adam(lr = 0.01),
    loss = tf.losses.CategoricalCrossentropy(from_logits = True),
    metrics = ['accuracy']
    )

net.fit(db, epochs = 10, validation_data = ds_val,
    validation_freq = 2   ## 每隔多少个epoch做一次validation
    )

network.evaluate(ds_val)

（3）预测Predict

sample = next(iter(ds_val))
x = sample[0]
y = sample[1]  # one-hot
pred = network.predict(x)  # [b, 10]
# convert back to number
y = tf.argmax(y, axis = 1)
pred = tf.argmax(pred, axis = 1)

print(pred)
print(y)

6、应用

compile & fit

的一个前向传播的实例：

import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics


def preprocess(x, y):
    """
  x is a simple image, not a batch
  """
    x = tf.cast(x, dtype=tf.float32) / 255.
    x = tf.reshape(x, [28 * 28])
    y = tf.cast(y, dtype=tf.int32)
    y = tf.one_hot(y, depth=10)
    return x, y


batchsz = 128
(x, y), (x_val, y_val) = datasets.mnist.load_data()
print('datasets:', x.shape, y.shape, x.min(), x.max())

db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.map(preprocess).shuffle(60000).batch(batchsz)
ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val))
ds_val = ds_val.map(preprocess).batch(batchsz)

sample = next(iter(db))
print(sample[0].shape, sample[1].shape)

network = Sequential([layers.Dense(256, activation='relu'),
                      layers.Dense(128, activation='relu'),
                      layers.Dense(64, activation='relu'),
                      layers.Dense(32, activation='relu'),
                      layers.Dense(10)])
network.build(input_shape=(None, 28 * 28))
network.summary()

network.compile(optimizer=optimizers.Adam(lr=0.01),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy']
                )

network.fit(db, epochs=5, validation_data=ds_val, validation_freq=2)

network.evaluate(ds_val)

sample = next(iter(ds_val))
x = sample[0]
y = sample[1]  # one-hot
pred = network.predict(x)  # [b, 10]
# convert back to number
y = tf.argmax(y, axis=1)
pred = tf.argmax(pred, axis=1)

print(pred)
print(y)

附录

标准的前向传播的实例：

import tensorflow as tf
from    tensorflow import keras
from    tensorflow.keras import datasets, layers, optimizers, Sequential, metrics

import  os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

def preprocess(x, y):

    x = tf.cast(x, dtype=tf.float32) / 255.
    y = tf.cast(y, dtype=tf.int32)
    return x,y


(x, y), (x_test, y_test) = datasets.fashion_mnist.load_data()
print(x.shape, y.shape)

batchsz = 128

db = tf.data.Dataset.from_tensor_slices((x,y))
db = db.map(preprocess).shuffle(10000).batch(batchsz)

db_test = tf.data.Dataset.from_tensor_slices((x_test,y_test))
db_test = db_test.map(preprocess).batch(batchsz)

db_iter = iter(db)
sample = next(db_iter)
print('batch:', sample[0].shape, sample[1].shape)


model = Sequential([
    layers.Dense(256, activation=tf.nn.relu), # [b, 784] => [b, 256]
    layers.Dense(128, activation=tf.nn.relu), # [b, 256] => [b, 128]
    layers.Dense(64, activation=tf.nn.relu), # [b, 128] => [b, 64]
    layers.Dense(32, activation=tf.nn.relu), # [b, 64] => [b, 32]
    layers.Dense(10) # [b, 32] => [b, 10], 330 = 32*10 + 10
])
model.build(input_shape=[None, 28*28])
model.summary()
# w = w - lr*grad
optimizer = optimizers.Adam(lr=1e-3)

def main():


    for epoch in range(30):


        for step, (x,y) in enumerate(db):

            # x: [b, 28, 28] => [b, 784]
            # y: [b]
            x = tf.reshape(x, [-1, 28*28])

            with tf.GradientTape() as tape:
                # [b, 784] => [b, 10]
                logits = model(x)
                y_onehot = tf.one_hot(y, depth=10)
                # [b]
                loss_mse = tf.reduce_mean(tf.losses.MSE(y_onehot, logits))
                loss_ce = tf.losses.categorical_crossentropy(y_onehot, logits, from_logits=True)
                loss_ce = tf.reduce_mean(loss_ce)

            grads = tape.gradient(loss_ce, model.trainable_variables)
            optimizer.apply_gradients(zip(grads, model.trainable_variables))


            if step % 100 == 0:
                print(epoch, step, 'loss:', float(loss_ce), float(loss_mse))


        # test
        total_correct = 0
        total_num = 0
        for x,y in db_test:

            # x: [b, 28, 28] => [b, 784]
            # y: [b]
            x = tf.reshape(x, [-1, 28*28])
            # [b, 10]
            logits = model(x)
            # logits => prob, [b, 10]
            prob = tf.nn.softmax(logits, axis=1)
            # [b, 10] => [b], int64
            pred = tf.argmax(prob, axis=1)
            pred = tf.cast(pred, dtype=tf.int32)
            # pred:[b]
            # y: [b]
            # correct: [b], True: equal, False: not equal
            correct = tf.equal(pred, y)
            correct = tf.reduce_sum(tf.cast(correct, dtype=tf.int32))

            total_correct += int(correct)
            total_num += x.shape[0]

        acc = total_correct / total_num
        print(epoch, 'test acc:', acc)







if __name__ == '__main__':
    main()