1 前言
Tensorflow认证考试内容五项中的第一项是基础/简单模型，第二项是学习数据集模型。小编猜想，这两者都是比较基础的知识，涉及到的知识应该主要包含：全连接神经网络搭建简单模型，数据集的加载，以及根据数据集搭建全连接神经网络模型进行训练(也有可能会涉及到卷积)。
在基础的内容肯定不能浪费太多时间，所以本文向读者们推荐两种能够快速搭建模型的方式，并辅以数据集的加载和简单的卷积层。
这两种方式能帮助快速地搭建模型，但并不意为这两者方式不能搭建复杂的模型，本文将以典型案例手写数字识别为例，来看看如何运用tf.keras.Sequential和Keras Functional API，这两种方式来快速搭建模型。
2 数据加载及预处理
import tensorflow as tf from tensorflow.keras import datasets,Sequential,layers,optimizers,models
def data_preprocess(x,y): #mnist的数据类型是unit8,需要转换为float32，并将像素点的值从0~255更换为-1~1 x=2*tf.cast(x,dtype=tf.float32)/255.-1 #真实值已经采用one_hot编码，直接转换为整型即可 y=tf.cast(y,dtype=tf.int32) return x,y
#加载mnist手写字体数据集 (x,y),(x_val,y_val)=datasets.mnist.load_data() #真实值进行one_hot编码 y=tf.one_hot(y,depth=10) y_val = tf.one_hot(y_val, depth=10) #维度变换 x=tf.reshape(x,[-1,28,28,1]) x = tf.reshape(x, [-1, 28, 28, 1]) x_val = tf.reshape(x_val, [-1, 28, 28, 1]) #构建训练数据集train_db train_db=tf.data.Dataset.from_tensor_slices((x,y)) train_db=train_db.map(data_preprocess).shuffle(10000).batch(128) #构建测试数据集test_db test_db=tf.data.Dataset.from_tensor_slices((x_val,y_val)) test_db=test_db.map(data_preprocess).batch(128) |
3 tf.keras.Sequential容器搭建
tf.keras.Sequential，可视作一个容器，只需要通过add函数往里面填入所需的神经层，便能快速地构建神经网络模型。
#创建Sequential容器 model=Sequential() #加入池化层 model.add(layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')) #加入卷积层 model.add(layers.Conv2D(64,kernel_size=[2,2],padding='same',activation=tf.nn.relu)) model.add(layers.MaxPool2D(pool_size=[2,2],strides=2,padding='same')) model.add(layers.Conv2D(128, kernel_size=[2, 2], padding='same', activation=tf.nn.relu)) model.add(layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')) model.add(layers.Conv2D(256, kernel_size=[2, 2], padding='same', activation=tf.nn.relu)) model.add(layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')) #矩阵打平 model.add(layers.Flatten()) #加入全连接层 model.add(layers.Dense(128, activation=tf.nn.relu)) model.add(layers.Dense(10)) #建立模型，并指明输入的维度及其形状 model.build(input_shape=[None,28,28,1]) |
也可以选择在创建容器时，就加入所需要的神经层，两种方式并无太大差别。
model=Sequential([ #池化层，卷积层各三层，最后打平再加上两层全连接 layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'), layers.Conv2D(64,kernel_size=[2,2],padding='same',activation=tf.nn.relu), layers.MaxPool2D(pool_size=[2,2],strides=2,padding='same'), layers.Conv2D(128, kernel_size=[2, 2], padding='same', activation=tf.nn.relu), layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'), layers.Conv2D(256, kernel_size=[2, 2], padding='same', activation=tf.nn.relu), layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'), layers.Flatten(), layers.Dense(128, activation=tf.nn.relu), layers.Dense(10) ]) #建立模型，并指明输入的维度及其形状 model.build(input_shape=[None,28,28,1]) |
4 Sequential模型训练
本文提到的两种方式，在模型的训练上都可以直接调用model.compile进行模型训练配置和model.fit进行训练。
#训练模型的必要配置 model.compile( #优化器选择及lr的数值 optimizer=optimizers.Adam(lr=1e-3), #损失函数选择，均分误差，交叉熵等 loss=tf.losses.CategoricalCrossentropy(from_logits=True), #用于监控训练，并呈现精确度 metrics=['accuracy'] ) #模型训练，从左往右的参数分别是：训练数据集，训练次数，测试数据集，训练多少次便测试一次 model.fit(train_db,epochs=6,validation_data=test_db,validation_freq=2) |
tf.keras.Sequential来搭建模型，简单快速。但缺陷也很明显，框架已定，灵活性太低，无法解决多输入/输出的问题，比如验证码识别：假设一张图内有4个数字，在不对图片进行切割等预处理的情况下，无法通过 Sequential来输出4个结果。
5 Keras Functional API
Functional API即保证了搭建模型的简单快捷，也具有很好的灵活性和可扩充性，无论是单输入/输出还是多/输入输出都能实现。
数据预处理和训练部分都与Sequential相同，那就直接来看看如何用Functional API搭建模型吧。
#定义输入层，并限制其shape inputs=tf.keras.Input(shape=[28,28,1]) #定义不同神经层，并且每一层的输入都来自于上一层 x=layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')(inputs) x=layers.Conv2D(64,kernel_size=[2,2],padding='same',activation=tf.nn.relu)(x) x=layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')(x) x=layers.Conv2D(128,kernel_size=[2,2],padding='same',activation=tf.nn.relu)(x) x=layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')(x) x=layers.Conv2D(256,kernel_size=[2,2],padding='same',activation=tf.nn.relu)(x) x=layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')(x) x=layers.Flatten()(x) x=layers.Dense(128, activation=tf.nn.relu)(x) #定义输出层 output=layers.Dense(10)(x) #建立模型传入输入和输出层 model=tf.keras.Model(inputs=inputs,outputs=output) |
根据以上代码示例，便建立了一个含有卷积和全连接的神经网络。并且每一层都可以独立提出来，也就是说可以查看每一层的输出情况，可以在一些复杂模型中抽取特定层放入自己的代码中，比如抽取VGG19中的某些层放在自己的代码中去实现图像的风格迁移。
6 总结
tf.keras.Sequential和Keras Functional API都可以有助于快速地建立神经网络模型，.Sequential简单易懂，在既定框架下可以最快的搭建些不是很复杂的模型，Functional API同样简单可扩展性高，应用范围更广。
这两种方式来解决认证考试中的前两项内容，相信绰绰有余。
