上文說到使用堆疊模型構建一個簡單的網絡,但是tf.keras.Sequential 模型是層的簡單堆疊,有很多模型中間有各種各樣的連接方式。這就需要使用 Keras 函數式 API ,可以構建複雜的模型拓撲,例如:同一個層被多次調用、殘差連接等,同時還可以使模型子類化,構建更加複雜的模型。
一. 函數式API
使用函數式API的模型,層實例可調用並返回張量,訓練方式和 Sequential 模型一樣。
Step1:使用函數式API搭建四層網絡
input = tf.keras.Input(shape=(100, ))
hidden1 = layers.Dense(64, activation='relu')(input)
hidden2 = layers.Dense(64, activation='relu')(hidden1)
hidden3 = layers.Dense(64, activation='relu')(hidden2)
pred = layers.Dense(10, activation='softmax')(hidden3)
model = tf.keras.Model(inputs=input, outputs=pred) #定義好輸入輸出
Step2:設置訓練流程
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.categorical_crossentropy,
metrics=['accuracy'])
Step3:製作數據集
train_x = np.random.random((1000, 100))
train_y = np.random.random((1000, 10))
val_x = np.random.random((200, 100))
val_y = np.random.random((200, 10))
Step4:訓練
model.fit(train_x, train_y, epochs=10, batch_size=100,
validation_data=(val_x, val_y))
二. 模型子類化
可以通過tf.keras.Model對模型子類化,在init方法中創建需要用的層實例,然後在call方法中定義前向傳播。
Step1:模型設置
class MyModel(tf.keras.Model):
def __init__(self, num_classes=10):
super(MyModel, self).__init__(name='my_model')
self.num_classes = num_classes
self.layer1 = layers.Dense(32, activation='relu')
self.layer2 = layers.Dense(num_classes, activation='softmax')
def call(self, inputs):
h1 = self.layer1(inputs)
out = self.layer2(h1)
return out
model = MyModel(num_classes=10)
Step2:設置訓練流程(同上)
Step3:製作數據集(同上)
Step4:訓練(同上)
三. 自定義層
通過對 tf.keras.layers.Layer 進行子類化並實現以下方法來創建自定義層:
build:創建層的權重。使用 add_weight 方法添加權重。
call:定義前向傳播。
compute_output_shape:指定在給定輸入形狀的情況下如何計算層的輸出形狀。 或者,可以通過實現 get_config 方法和from_config 類方法序列化層。
class MyLayer(layers.Layer):
def __init__(self, output_dim, **kwargs):
self.output_dim = output_dim
super(MyLayer, self).__init__(**kwargs)
def build(self, input_shape):
shape = tf.TensorShape((input_shape[1], self.output_dim))
self.kernel = self.add_weight(name='kernel1', shape=shape,
initializer='uniform', trainable=True)
super(MyLayer, self).build(input_shape)
def call(self, inputs):
return tf.matmul(inputs, self.kernel)
def compute_output_shape(self, input_shape):
shape = tf.TensorShape(input_shape).as_list()
shape[-1] = self.output_dim
return tf.TensorShape(shape)
def get_config(self):
base_config = super(MyLayer, self).get_config()
base_config['output_dim'] = self.output_dim
return base_config
@classmethod
def from_config(cls, config):
return cls(**config)
model = tf.keras.Sequential(
[
MyLayer(10),
layers.Activation('softmax')
])
Step2:設置訓練流程(同上)
Step3:製作數據集(同上)
Step4:訓練(同上)
四. 回調(保存訓練信息)
Step1:訓練之前添加callback設置
callbacks = [
tf.keras.callbacks.EarlyStopping(patience=2, monitor='val_loss'),
tf.keras.callbacks.TensorBoard(log_dir='./logs')
]
Step2:訓練
model.fit(train_x, train_y, batch_size=16, epochs=5,
callbacks=callbacks, validation_data=(val_x, val_y))