3. TensorFlow Keras 高级 API

文档摘要

TensorFlow Keras 高级 API TensorFlow Keras 高级 API 详解与实践 1. Functional API Functional API 允许你创建更加灵活的模型，可以处理多输入、多输出、共享层等复杂结构。它通过将层视为函数来连接输入和输出，从而构建模型。代码详解: : 定义输入层，参数指定输入数据的形状。 : 定义一个全连接层（Dense layer），包含 64 个神经元，激活函数为 ReLU。作为输入传递给该层，层就像一个函数一样被调用。 : 使用输入层和输出层创建实例。 mermaid 图表: Functional API 的优势: 灵活性: 可以创建任意结构的图模型。可重用性: 可以将层作为函数来重用。

3. TensorFlow Keras 高级 API

TensorFlow Keras 高级 API 详解与实践

1. Functional API

Functional API 允许你创建更加灵活的模型，可以处理多输入、多输出、共享层等复杂结构。它通过将层视为函数来连接输入和输出，从而构建模型。


import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
# 定义输入层
input_layer = keras.Input(shape=(784,)) # 假设输入是 784 维向量
# 定义隐藏层
hidden_layer_1 = layers.Dense(64, activation='relu')(input_layer)
hidden_layer_2 = layers.Dense(64, activation='relu')(hidden_layer_1)
# 定义输出层
output_layer = layers.Dense(10, activation='softmax')(hidden_layer_2) # 假设 10 个类别
# 创建模型
model = keras.Model(inputs=input_layer, outputs=output_layer)
# 打印模型结构
model.summary()

代码详解:

keras.Input(shape=(784,)): 定义输入层，shape 参数指定输入数据的形状。
layers.Dense(64, activation='relu')(input_layer): 定义一个全连接层（Dense layer），包含 64 个神经元，激活函数为 ReLU。 input_layer 作为输入传递给该层，层就像一个函数一样被调用。
keras.Model(inputs=input_layer, outputs=output_layer): 使用输入层和输出层创建 Model 实例。

mermaid 图表:

Functional API 的优势:

灵活性: 可以创建任意结构的图模型。
可重用性: 可以将层作为函数来重用。
多输入/多输出: 可以轻松处理多输入和多输出模型。

2. Sequential API

Sequential API 是构建简单线性模型的便捷方式。它通过将层按顺序堆叠起来来构建模型。


import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
# 创建 Sequential 模型
model = keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(784,)), # 指定输入形状
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])
# 打印模型结构
model.summary()

代码详解:

keras.Sequential([...]): 创建一个 Sequential 模型，将层列表传递给构造函数。
input_shape=(784,): 在第一层指定输入形状。

Sequential API 的优势:

简单易用: 非常适合构建简单的线性模型。
代码简洁: 代码量少，易于阅读和维护。

Sequential API 的局限性:

只能构建线性模型: 无法处理复杂的图结构。
灵活性较低: 难以实现共享层或多输入/多输出。

3. Model Subclassing

Model Subclassing 允许你通过继承 tf.keras.Model 类来完全自定义模型。你需要定义 __init__ 方法来初始化层，并定义 call 方法来实现前向传播。


import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
# 定义自定义模型
class MyModel(keras.Model):
    def __init__(self, num_units=64, num_classes=10):
        super(MyModel, self).__init__()
        self.dense1 = layers.Dense(num_units, activation='relu')
        self.dense2 = layers.Dense(num_units, activation='relu')
        self.output_layer = layers.Dense(num_classes, activation='softmax')
    def call(self, inputs):
        x = self.dense1(inputs)
        x = self.dense2(x)
        return self.output_layer(x)
# 创建模型实例
model = MyModel(num_units=64, num_classes=10)
# 构建模型 (在首次调用时)
model.build(input_shape=(None, 784)) # 显式指定输入形状
# 打印模型结构
model.summary()

代码详解:

class MyModel(keras.Model): 定义一个继承自 keras.Model 的类。
__init__(self, num_units=64, num_classes=10): 初始化层，定义模型中使用的各个层。
call(self, inputs): 定义前向传播过程，接收输入并返回输出。
model.build(input_shape=(None, 784)): 构建模型，input_shape 指定输入形状。 None 表示批次大小可以是任意值。

Model Subclassing 的优势:

完全的灵活性: 可以自定义任何模型结构和行为。
动态图: 可以根据输入动态调整模型结构。
方便调试: 更容易调试和理解模型的内部工作原理。

Model Subclassing 的缺点:

代码量较多: 需要编写更多的代码。
容易出错: 需要更深入地理解 TensorFlow 的工作原理。
序列化困难: 模型序列化可能更复杂。

4. 常用高级 API 功能

除了模型构建 API，Keras 还提供了其他高级 API 功能，例如：

自定义层: 可以通过继承 tf.keras.layers.Layer 类来创建自定义层。
自定义损失函数: 可以使用 tf.keras.losses.Loss 类或直接编写 Python 函数来定义自定义损失函数。
自定义指标: 可以使用 tf.keras.metrics.Metric 类或直接编写 Python 函数来定义自定义指标。
回调函数 (Callbacks): 用于在训练过程中执行特定操作，例如保存模型、提前停止训练、调整学习率等。

代码示例：自定义层


import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
# 定义自定义层
class MyDenseLayer(layers.Layer):
    def __init__(self, units, activation=None, **kwargs):
        super(MyDenseLayer, self).__init__(**kwargs)
        self.units = units
        self.activation = keras.activations.get(activation) # 使用 keras.activations.get 处理字符串激活函数
    def build(self, input_shape):
        self.w = self.add_weight(shape=(input_shape[-1], self.units),
                                  initializer='random_normal',
                                  trainable=True)
        self.b = self.add_weight(shape=(self.units,),
                                  initializer='zeros',
                                  trainable=True)
    def call(self, inputs):
        linear_output = tf.matmul(inputs, self.w) + self.b
        if self.activation is not None:
            return self.activation(linear_output)
        return linear_output
    def get_config(self):
        config = super(MyDenseLayer, self).get_config()
        config.update({
            'units': self.units,
            'activation': keras.activations.serialize(self.activation) # 序列化激活函数
        })
        return config
# 使用自定义层
model = keras.Sequential([
    keras.Input(shape=(784,)),
    MyDenseLayer(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])
# 打印模型结构
model.summary()

代码详解:

class MyDenseLayer(layers.Layer): 定义一个继承自 layers.Layer 的自定义层。
__init__(self, units, activation=None, **kwargs): 初始化层的参数。
build(self, input_shape): 创建层的权重。 self.add_weight 用于创建可训练的权重变量。
call(self, inputs): 定义层的前向传播过程。
get_config(self): 返回层的配置信息，用于序列化和反序列化。

5. 模型训练与评估

无论使用哪种 API 构建模型，都可以使用 model.compile 方法配置优化器、损失函数和指标，然后使用 model.fit 方法训练模型，使用 model.evaluate 方法评估模型。


# 编译模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
# 准备数据 (使用 MNIST 数据集作为示例)
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = x_train.reshape(60000, 784).astype('float32') / 255
x_test = x_test.reshape(10000, 784).astype('float32') / 255
y_train = keras.utils.to_categorical(y_train, num_classes=10)
y_test = keras.utils.to_categorical(y_test, num_classes=10)
# 训练模型
model.fit(x_train, y_train, epochs=2, batch_size=32)
# 评估模型
loss, accuracy = model.evaluate(x_test, y_test)
print('Test loss:', loss)
print('Test accuracy:', accuracy)

总结

TensorFlow Keras 提供了多种高级 API，可以满足不同复杂度的模型构建需求。Functional API 提供了灵活性，Sequential API 易于使用，Model Subclassing 提供了完全的自定义能力。选择合适的 API 取决于模型的复杂性和你的个人偏好。掌握这些 API，可以更高效地进行深度学习模型的开发和实验。

作者与出处

原作者：灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/219-tensorflow%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%AE%9E%E6%88%98%E6%95%99%E7%A8%8B

整理：灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流