導(dǎo)讀

掌握這些可以更高效的模型的提高開發(fā)效率。

TensorFlow 2.x在構(gòu)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(gòu)建模型，立即執(zhí)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(fù)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(shù)并提高了效率。

1(a). tf.data 構(gòu)建輸入管道

tf.data提供了數(shù)據(jù)管道和相關(guān)操作的功能。我們可以建立管道，映射預(yù)處理函數(shù)，洗牌或批處理數(shù)據(jù)集等等。

從tensors構(gòu)建管道

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

構(gòu)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) 
# Shuffle and Batch>>> 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() 
(<tf.Tensor: shape=(), dtype=int32, numpy=8>, <tf.Tensor: shape=(), dtype=int32, numpy=1>) 

映射外部函數(shù)

def into_2(num): 
     return num * 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(yù)處理以及數(shù)據(jù)增強的同時實時生成數(shù)據(jù)集切片。

生成器允許直接從目錄或數(shù)據(jù)目錄中生成數(shù)據(jù)流。

ImageDataGenerator中關(guān)于數(shù)據(jù)增強的一個誤解是，它向現(xiàn)有數(shù)據(jù)集添加了更多的數(shù)據(jù)。雖然這是數(shù)據(jù)增強的實際定義，但是在ImageDataGenerator中，數(shù)據(jù)集中的圖像在訓(xùn)練的不同步驟被動態(tài)地變換，使模型可以在未見過的有噪數(shù)據(jù)上進行訓(xùn)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(shù)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?yōu)閷崟r數(shù)據(jù)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(shù)定義圖像的完整路徑，而y_col參數(shù)定義用于分類的標(biāo)簽列。

模型可直接用生成器來喂數(shù)據(jù)。需要指定steps_per_epoch參數(shù)，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(shù)據(jù)增強

數(shù)據(jù)增強是必要的。在數(shù)據(jù)不足的情況下，對數(shù)據(jù)進行更改并將其作為單獨的數(shù)據(jù)點來處理，是在較少數(shù)據(jù)下進行訓(xùn)練的一種非常有效的方式。

tf.image API中有用于轉(zhuǎn)換圖像的工具，然后可以使用tf.data進行數(shù)據(jù)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

pip install tensorflow-datasets 

這是一個非常有用的庫，因為它包含了TensorFlow從各個領(lǐng)域收集的非常著名的數(shù)據(jù)集。

import tensorflow_datasets as tfds 
mnist_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(shù)據(jù)集的詳細(xì)列表可以在：https://www.tensorflow.org/datasets/catalog/overview中找到。

tfds提供的數(shù)據(jù)集類型包括：音頻，圖像，圖像分類，目標(biāo)檢測，結(jié)構(gòu)化數(shù)據(jù)，摘要，文本，翻譯，視頻。

4. 使用預(yù)訓(xùn)練模型進行遷移學(xué)習(xí)

遷移學(xué)習(xí)是機器學(xué)習(xí)中的一項新技術(shù)，非常重要。如果一個基準(zhǔn)模型已經(jīng)被別人訓(xùn)練過了，而且訓(xùn)練它需要大量的資源(例如：多個昂貴的gpu，一個人可能負(fù)擔(dān)不起)。轉(zhuǎn)移學(xué)習(xí)，解決了這個問題。預(yù)先訓(xùn)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(zhǔn)的預(yù)訓(xùn)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(shè)計用于易于擴展和異步訓(xùn)練

預(yù)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(xùn)練模型，而不用擔(dān)心底層的復(fù)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(gòu)建和訓(xùn)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(jīng)網(wǎng)絡(luò)以許多層深網(wǎng)絡(luò)而聞名，其中層可以是不同的類型。TensorFlow包含許多預(yù)定義的層(如density, LSTM等)。但對于更復(fù)雜的體系結(jié)構(gòu)，層的邏輯要比基礎(chǔ)的層復(fù)雜得多。對于這樣的情況，TensorFlow允許構(gòu)建自定義層。這可以通過子類化tf.keras.layers來實現(xiàn)。

class CustomDense(tf.keras.layers.Layer): 
    def __init__(self, num_outputs): 
        super(CustomDense, self).__init__() 
        self.num_outputs = num_outputs 
    def build(self, input_shape): 
        self.kernel = self.add_weight( 
            "kernel", 
            shape=[int(input_shape[-1]), 
            self.num_outputs] 
        )    def call(self, input): 
        return tf.matmul(input, self.kernel) 

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

1. _init_，你可以在這里做所有與輸入無關(guān)的初始化。
2. 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。
3. 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(chuàng)建新層的每個實例上顯式地指定input_shape*。

7. 自定義訓(xùn)練

tf.keras Sequential 和Model API使得模型的訓(xùn)練更加容易。然而，大多數(shù)時候在訓(xùn)練復(fù)雜模型時，使用自定義損失函數(shù)。此外，模型訓(xùn)練也可能不同于默認(rèn)訓(xùn)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(xùn)練循環(huán)。

def train(model, inputs, outputs, learning_rate): 
    with tf.GradientTape() as t: 
        # Computing Losses from Model Prediction 
        current_loss = loss(outputs, model(inputs)) 
         
    # Gradients for Trainable Variables with Obtained Losses 
    dW, db = t.gradient(current_loss, [model.W, model.b]) 
     
    # Applying Gradients to Weights 
    model.W.assign_sub(learning_rate * dW) 
    model.b.assign_sub(learning_rate * db) 

這個循環(huán)可以在多個epoch中重復(fù)，并且根據(jù)用例使用更定制的設(shè)置。

8. Checkpoints

保存一個TensorFlow模型可以有兩種方式：

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

Checkpoints 捕獲模型使用的所有參數(shù)的值。使用Sequential API或Model API構(gòu)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(dāng)源代碼可用時，保存的參數(shù)值才有用。

保存 Checkpoint

checkpoint_path = “save_path” 
# Defining a Checkpoint 
ckpt = tf.train.Checkpoint(model=model, optimizer=optimizer) 
# Creating a CheckpointManager Object 
ckpt_manager = tf.train.CheckpointManager(ckpt, checkpoint_path, max_to_keep=5) 
# Saving a Model 
ckpt_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。

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

9. Keras Tuner

這是TensorFlow中的一個相當(dāng)新的特性。

!pip install keras-tuner 

超參數(shù)調(diào)優(yōu)調(diào)優(yōu)是對定義的ML模型配置的參數(shù)進行篩選的過程。在特征工程和預(yù)處理之后，這些因素是模型性能的決定性因素。

# model_builder is a function that builds a model and returns it 
tuner = 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(diào)優(yōu)。

tuner.search( 
    img_train, label_train,     epochs = 10,     validation_data=(img_test,label_test),     callbacks=[ClearTrainingOutput()])# Get the optimal hyperparameters 
best_hps = tuner.get_best_hyperparameters(num_trials=1)[0] 

然后，我們使用最優(yōu)超參數(shù)訓(xùn)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(xùn)練

如果你有多個GPU，并且希望通過分散訓(xùn)練循環(huán)在多個GPU上優(yōu)化訓(xùn)練，TensorFlow的各種分布式訓(xùn)練策略能夠優(yōu)化GPU的使用，并為你操縱GPU上的訓(xùn)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(fù)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()with strategy.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(        loss="sparse_categorical_crossentropy", 
        optimizer="adam", 
        metrics=['accuracy'] 
    )