10个算法从业人员必须知道的TensorFlow技巧

新闻 前端 算法
TensorFlow 2.x在构建模型和TensorFlow的整体使用方面提供了很多简单性。那么TF2有什么新变化呢?

导读

掌握这些可以更高效的模型的提高开发效率。

[[343415]]

TensorFlow 2.x在构建模型和TensorFlow的整体使用方面提供了很多简单性。那么TF2有什么新变化呢?

  • 使用Keras轻松构建模型,立即执行。
  • 可在任何平台上进行强大的模型部署。
  • 强大的研究实验。
  • 通过清理过时的API和减少重复来简化API。

在本文中,我们将探索TF 2.0的10个特性,这些特性使得使用TensorFlow更加顺畅,减少了代码行数并提高了效率。

1(a). tf.data 构建输入管道

tf.data提供了数据管道和相关操作的功能。我们可以建立管道,映射预处理函数,洗牌或批处理数据集等等。

从tensors构建管道

  1. >>> dataset = tf.data.Dataset.from_tensor_slices([830821]) 
  2. >>> iter(dataset).next().numpy() 
  3. 8 

构建Batch并打乱

  1. # Shuffle 
  2. >>> dataset = tf.data.Dataset.from_tensor_slices([830821]).shuffle(6
  3. >>> iter(dataset).next().numpy()0 
  4. # Batch>>> dataset = tf.data.Dataset.from_tensor_slices([830821]).batch(2
  5. >>> iter(dataset).next().numpy()array([83], dtype=int32) 
  6. # Shuffle and Batch>>> dataset = tf.data.Dataset.from_tensor_slices([830821]).shuffle(6).batch(2
  7. >>> iter(dataset).next().numpy()array([30], dtype=int32) 

把两个Datsets压缩成一个

  1. >>> dataset0 = tf.data.Dataset.from_tensor_slices([830821]) 
  2. >>> dataset1 = tf.data.Dataset.from_tensor_slices([123456]) 
  3. >>> dataset = tf.data.Dataset.zip((dataset0, dataset1)) 
  4. >>> iter(dataset).next() 
  5. (<tf.Tensor: shape=(), dtype=int32, numpy=8>, <tf.Tensor: shape=(), dtype=int32, numpy=1>) 

映射外部函数

  1. def into_2(num): 
  2.      return num * 2 
  3.     >>> dataset = tf.data.Dataset.from_tensor_slices([830821]).map(into_2) 
  4. >>> iter(dataset).next().numpy() 
  5. 16 

1(b). ImageDataGenerator

这是tensorflow.keras API的最佳特性之一。ImageDataGenerator能够在批处理和预处理以及数据增强的同时实时生成数据集切片。

生成器允许直接从目录或数据目录中生成数据流。

ImageDataGenerator中关于数据增强的一个误解是,它向现有数据集添加了更多的数据。虽然这是数据增强的实际定义,但是在ImageDataGenerator中,数据集中的图像在训练的不同步骤被动态地变换,使模型可以在未见过的有噪数据上进行训练。

  1. train_datagen = ImageDataGenerator( 
  2.         rescale=1./255
  3.         shear_range=0.2
  4.         zoom_range=0.2
  5.         horizontal_flip=True 

在这里,对所有样本进行重新缩放(用于归一化),而其他参数用于增强。

  1. train_generator = train_datagen.flow_from_directory( 
  2.         'data/train'
  3.         target_size=(150150), 
  4.         batch_size=32
  5.         class_mode='binary' 

我们为实时数据流指定目录。这也可以使用dataframes来完成。

  1. train_generator = flow_from_dataframe( 
  2.     dataframe,    x_col='filename'
  3.     y_col='class'
  4.     class_mode='categorical'
  5.     batch_size=32 

x_col参数定义图像的完整路径,而y_col参数定义用于分类的标签列。

模型可直接用生成器来喂数据。需要指定steps_per_epoch参数,即number_of_samples // batch_size.

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

2. 使用tf.image做数据增强

数据增强是必要的。在数据不足的情况下,对数据进行更改并将其作为单独的数据点来处理,是在较少数据下进行训练的一种非常有效的方式。

tf.image API中有用于转换图像的工具,然后可以使用tf.data进行数据增强。

  1. flipped = tf.image.flip_left_right(image) 
  2. visualise(image, flipped) 
10个算法从业人员必须知道的TensorFlow技巧

上面的代码的输出

  1. saturated = tf.image.adjust_saturation(image, 5
  2. visualise(image, saturated) 
10个算法从业人员必须知道的TensorFlow技巧

上面的代码的输出

  1. rotated = tf.image.rot90(image) 
  2. visualise(image, rotated) 
10个算法从业人员必须知道的TensorFlow技巧

上面的代码的输出

  1. cropped = tf.image.central_crop(image, central_fraction=0.5
  2. visualise(image, cropped) 
10个算法从业人员必须知道的TensorFlow技巧

上面的代码的输出

3. TensorFlow Datasets

  1. pip install tensorflow-datasets 

这是一个非常有用的库,因为它包含了TensorFlow从各个领域收集的非常著名的数据集。

  1. import tensorflow_datasets as tfds 
  2. mnist_data = tfds.load("mnist"
  3. mnist_train, mnist_test = mnist_data["train"], mnist_data["test"
  4. assertisinstance(mnist_train, tf.data.Dataset) 

tensorflow-datasets中可用的数据集的详细列表可以在:https://www.tensorflow.org/datasets/catalog/overview中找到。

tfds提供的数据集类型包括:音频,图像,图像分类,目标检测,结构化数据,摘要,文本,翻译,视频。

4. 使用预训练模型进行迁移学习

迁移学习是机器学习中的一项新技术,非常重要。如果一个基准模型已经被别人训练过了,而且训练它需要大量的资源(例如:多个昂贵的gpu,一个人可能负担不起)。转移学习,解决了这个问题。预先训练好的模型可以在特定的场景中重用,也可以为不同的场景进行扩展。

TensorFlow提供了基准的预训练模型,可以很容易地为所需的场景扩展。

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

这个base_model可以很容易地通过额外的层或不同的模型进行扩展。如:

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

5. Estimators

估计器是TensorFlow对完整模型的高级表示,它被设计用于易于扩展和异步训练

预先制定的estimators提供了一个非常高级的模型抽象,因此你可以直接集中于训练模型,而不用担心底层的复杂性。例如:

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

这显示了使用tf.estimator. Estimators构建和训练estimator是多么容易。estimator也可以定制。

TensorFlow有许多estimator ,包括LinearRegressor,BoostedTreesClassifier等。

6. 自定义层

神经网络以许多层深网络而闻名,其中层可以是不同的类型。TensorFlow包含许多预定义的层(如density, LSTM等)。但对于更复杂的体系结构,层的逻辑要比基础的层复杂得多。对于这样的情况,TensorFlow允许构建自定义层。这可以通过子类化tf.keras.layers来实现。

  1. class CustomDense(tf.keras.layers.Layer): 
  2.     def __init__(self, num_outputs): 
  3.         super(CustomDense, self).__init__() 
  4.         self.num_outputs = num_outputs 
  5.     def build(self, input_shape): 
  6.         self.kernel = self.add_weight( 
  7.             "kernel"
  8.             shape=[int(input_shape[-1]), 
  9.             self.num_outputs] 
  10.         )    def call(self, input): 
  11.         return tf.matmul(input, self.kernel) 

正如在文档中所述,实现自己的层的最好方法是扩展 tf.keras.Layer类并实现:

  1. _init_,你可以在这里做所有与输入无关的初始化。
  2. build,其中你知道输入张量的形状,然后可以做剩下的初始化工作。
  3. call,在这里进行前向计算。

虽然kernel的初始化可以在*_init_中完成,但是最好在build中进行初始化,否则你必须在创建新层的每个实例上显式地指定input_shape*。

7. 自定义训练

tf.keras Sequential 和Model API使得模型的训练更加容易。然而,大多数时候在训练复杂模型时,使用自定义损失函数。此外,模型训练也可能不同于默认训练(例如,分别对不同的模型组件求梯度)。

TensorFlow的自动微分有助于有效地计算梯度。这些原语用于定义自定义训练循环。

  1. def train(model, inputs, outputs, learning_rate): 
  2.     with tf.GradientTape() as t: 
  3.         # Computing Losses from Model Prediction 
  4.         current_loss = loss(outputs, model(inputs)) 
  5.          
  6.     # Gradients for Trainable Variables with Obtained Losses 
  7.     dW, db = t.gradient(current_loss, [model.W, model.b]) 
  8.      
  9.     # Applying Gradients to Weights 
  10.     model.W.assign_sub(learning_rate * dW) 
  11.     model.b.assign_sub(learning_rate * db) 

这个循环可以在多个epoch中重复,并且根据用例使用更定制的设置。

8. Checkpoints

保存一个TensorFlow模型可以有两种方式:

  1. SavedModel:保存模型的完整状态以及所有参数。这是独立于源代码的。model.save_weights('checkpoint')
  2. Checkpoints

Checkpoints 捕获模型使用的所有参数的值。使用Sequential API或Model API构建的模型可以简单地以SavedModel格式保存。

然而,对于自定义模型,checkpoints是必需的。

检查点不包含模型定义的计算的任何描述,因此通常只有当源代码可用时,保存的参数值才有用。

保存 Checkpoint

  1. checkpoint_path = “save_path” 
  2. # Defining a Checkpoint 
  3. ckpt = tf.train.Checkpoint(model=model, optimizer=optimizer) 
  4. # Creating a CheckpointManager Object 
  5. ckpt_manager = tf.train.CheckpointManager(ckpt, checkpoint_path, max_to_keep=5
  6. # Saving a Model 
  7. ckpt_manager.save() 

从 Checkpoint 加载模型

TensorFlow从被加载的对象开始,通过遍历带有带有名字的边的有向图来将变量与检查点值匹配。

10个算法从业人员必须知道的TensorFlow技巧
 
  1. if ckpt_manager.latest_checkpoint: 
  2.     ckpt.restore(ckpt_manager.latest_checkpoint) 

9. Keras Tuner

这是TensorFlow中的一个相当新的特性。

  1. !pip install keras-tuner 

超参数调优调优是对定义的ML模型配置的参数进行筛选的过程。在特征工程和预处理之后,这些因素是模型性能的决定性因素。

  1. # model_builder is a function that builds a model and returns it 
  2. tuner = kt.Hyperband( 
  3.     model_builder, 
  4.     objective='val_accuracy',  
  5.     max_epochs=10
  6.     factor=3
  7.     directory='my_dir'
  8.     project_name='intro_to_kt' 

除了HyperBand之外,BayesianOptimization和RandomSearch 也可用于调优。

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

然后,我们使用最优超参数训练模型:

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

10. 分布式训练

如果你有多个GPU,并且希望通过分散训练循环在多个GPU上优化训练,TensorFlow的各种分布式训练策略能够优化GPU的使用,并为你操纵GPU上的训练。

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

  • 所有的变量和模型图被复制成副本。
  • 输入均匀分布在不同的副本上。
  • 每个副本计算它接收到的输入的损失和梯度。
  • 同步的所有副本的梯度并求和。
  • 同步后,对每个副本上的变量进行相同的更新。
  1. strategy = tf.distribute.MirroredStrategy()with strategy.scope(): 
  2.     model = tf.keras.Sequential([        tf.keras.layers.Conv2D(            323, activation='relu',  input_shape=(28281
  3.         ),        tf.keras.layers.MaxPooling2D(),        tf.keras.layers.Flatten(),        tf.keras.layers.Dense(64, activation='relu'), 
  4.         tf.keras.layers.Dense(10
  5.     ])    model.compile(        loss="sparse_categorical_crossentropy"
  6.         optimizer="adam"
  7.         metrics=['accuracy'
  8.     ) 

 

 

责任编辑:张燕妮 来源: 今日头条
相关推荐

2020-04-14 09:26:43

开发工具Chrome

2015-04-15 10:50:06

综合布线

2018-04-08 10:08:43

开发人员工具

2011-06-27 13:36:37

SEO

2010-08-06 09:58:12

IT安全从业人员跳槽

2016-11-02 08:47:07

DevOps技术IT

2023-12-27 18:10:05

PyTorch工具框架

2023-12-12 17:46:33

系统kswapd0内核

2022-06-08 10:42:34

ReduceJavaScript技巧

2022-10-17 15:33:46

前端开发数组

2015-08-07 14:29:35

2015-04-17 09:17:29

云计算网络安全人员

2019-01-08 10:29:12

BeautifulSoPython第三库

2009-04-17 09:50:49

软件架构云计算SOA

2009-06-25 09:04:22

.NET开发人员

2012-04-09 13:16:20

DIVCSS

2017-11-13 04:04:10

2010-01-12 10:47:16

IT从业人员

2023-02-22 13:32:23

人力资源AI算法裁员

2023-05-11 16:29:39

Javascript开发前端
点赞
收藏

51CTO技术栈公众号