د Keras او tf.Module په کارولو سره د ماډلونو جوړولو، روزنې او ذخیره کول

د موادو په څیر

• کاري کاري
• د جوړولو مرحله
• کاري موډلونه
• د Keras موډلونه
• د Keras موډلونو چک

په یاد ولرئ چې په دې وخت کې، د کیرس په اړه هیڅ اشاره نلري. تاسو کولی شئ خپل لوړ کچه API جوړ کړئtf.Moduleاو خلک لري.

په دې برخه کې، تاسو به څنګه د Keras کارويtf.Moduleد Keras موډلونو بشپړ کارن لارښود پهد ګرځنده.

Keras layers او ماډلونه ډیر اضافي ځانګړتیاوې لري، په شمول:

• د اختیاري خساري
• د metrics ملاتړ
• د روزنې او د پایلو کارولو تر منځ د تبادله کولو لپاره د اختیاري روزنې arguments لپاره د داخلي ملاتړ
• د سیلیکون بکسونو په ځای کې د python اشیاء ذخیره کول او بیاکتنه کول
• get_config او from_config روشونه چې تاسو ته اجازه ورکوي چې د پروګرامونو په دقت کې ذخیره کړئ چې په Python کې د نمونې کلن کولو اجازه ورکوي

دا ځانګړتیاوې د subclassing له لارې ډیر پیچلي ماډلونه اجازه ورکوي، لکه د ګمرک GAN یا Variational AutoEncoder (VAE) ماډل.بشپړ لارښودد custom layers او ماډلونه.

Keras موډلونه هم د اضافي فعالیت سره راځي چې دوی په اسانۍ سره په څو ماشینونو کې روزنې، ارزیابی، لوستل، ذخیره او حتی روزنه کوي.

کاري کاري

tf.keras.layers.Layerد ټولو Keras کټګورۍ د بنسټ کټګورۍ ده، او دا لهtf.Module.

تاسو کولی شئ یو ماډل په Keras کچه بدل کړئ یوازې له خوا د والدین بدل کړئ او بیا بدل کړئ__call__دcall:

class MyDense(tf.keras.layers.Layer):
  # Adding **kwargs to support base Keras layer arguments
  def __init__(self, in_features, out_features, **kwargs):
    super().__init__(**kwargs)

    # This will soon move to the build step; see below
    self.w = tf.Variable(
      tf.random.normal([in_features, out_features]), name='w')
    self.b = tf.Variable(tf.zeros([out_features]), name='b')
  def call(self, x):
    y = tf.matmul(x, self.w) + self.b
    return tf.nn.relu(y)

simple_layer = MyDense(name="simple", in_features=3, out_features=3)

Keras layers لري د خپل__call__چې ځینې حسابونه په راتلونکي برخه کې بیان کوي او بیا د تماسcall()تاسو باید د فعالیتونو په اړه هیڅ بدلون نه وګورئ.

simple_layer([[2.0, 2.0, 2.0]])

<tf.Tensor: shape=(1, 3), dtype=float32, numpy=array([[1.1688161, 0.       , 0.       ]], dtype=float32)>

دbuildد پړاو

لکه څنګه چې ذکر شوي، په ډیری صورتونو کې دا مناسب ده چې د بدلونونو جوړولو لپاره انتظار وکړئ چې تاسو د وارداتو شکل په یقیني توګه وي.

د Keras کټګورۍ سره یو اضافي ژوند چرګانه کټګورۍ شامل دي چې تاسو ته اجازه ورکوي چې ستاسو کټګورۍ په څرنګه کې ډیر انعطافیت لري. دا پهbuildدنده

buildپه حقیقت کې، دا د یو ځل په توګه نومول کیږي، او دا د وارداتو شکل سره نومول کیږي. دا معمولا د متغیرونو (د وزنونو) جوړولو لپاره کارول کیږي.

تاسو کولی شئ rewriteMyDenseد اوبو کچه ته د خپل input اندازه ته انعطاف لري:

class FlexibleDense(tf.keras.layers.Layer):
  # Note the added `**kwargs`, as Keras supports many arguments
  def __init__(self, out_features, **kwargs):
    super().__init__(**kwargs)
    self.out_features = out_features

  def build(self, input_shape):  # Create the state of the layer (weights)
    self.w = tf.Variable(
      tf.random.normal([input_shape[-1], self.out_features]), name='w')
    self.b = tf.Variable(tf.zeros([self.out_features]), name='b')

  def call(self, inputs):  # Defines the computation from inputs to outputs
    return tf.matmul(inputs, self.w) + self.b

# Create the instance of the layer
flexible_dense = FlexibleDense(out_features=3)

په دې وخت کې، د نمونوي نه جوړ شوی، نو د بدلونونه نه لري:

flexible_dense.variables

[]

د ګمرک په تماس کې د مناسب اندازه بدلونونه تادیه کوي:

# Call it, with predictably random results
print("Model results:", flexible_dense(tf.constant([[2.0, 2.0, 2.0], [3.0, 3.0, 3.0]])))

Model results: tf.Tensor(
[[-2.531786  -5.5550847 -0.4248762]
 [-3.7976792 -8.332626  -0.6373143]], shape=(2, 3), dtype=float32)

flexible_dense.variables

[<tf.Variable 'flexible_dense/w:0' shape=(3, 3) dtype=float32, numpy=
 array([[-0.77719826, -1.9281565 ,  0.82326293],
        [ 0.85628736, -0.31845194,  0.10916236],
        [-1.3449821 , -0.5309338 , -1.1448634 ]], dtype=float32)>,
 <tf.Variable 'flexible_dense/b:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>]

له خواbuildیوازې یو ځل په تماس کې، د انټروټونه به په صورت کې چې د انټروټ شکل د کټګورۍ متغیرونو سره مطابقت نلري:

try:
  print("Model results:", flexible_dense(tf.constant([[2.0, 2.0, 2.0, 2.0]])))
except tf.errors.InvalidArgumentError as e:
  print("Failed:", e)

Failed: Exception encountered when calling layer 'flexible_dense' (type FlexibleDense).

{ {function_node __wrapped__MatMul_device_/job:localhost/replica:0/task:0/device:CPU:0} } Matrix size-incompatible: In[0]: [1,4], In[1]: [3,3] [Op:MatMul] name: 

Call arguments received by layer 'flexible_dense' (type FlexibleDense):
  • inputs=tf.Tensor(shape=(1, 4), dtype=float32)

کاري موډلونه

تاسو کولی شئ خپل ماډل د Keras کټګوریو په توګه تعریف کړئ.

په هرصورت، Keras هم د بشپړ ځانګړتیاوو د موډل ټولګي د نومtf.keras.Modelدا له خوا وارثtf.keras.layers.Layer، نو د Keras ماډل کولای شي په ورته ډول کارول شي او د Keras کټګوریو سره نښلول شي. د Keras ماډلونه اضافي فعالیت لري چې د دوی په اسانۍ سره په څو ماشینونو کې روزل کیږي، evaluating، loading، saving، او حتی روزل کیږي.

تاسو کولی شئ دSequentialModuleله اوسط سره تقریبا ورته کوډ، بیا بدلون__call__دcall()د والدین بدلون:

@keras.saving.register_keras_serializable()
class MySequentialModel(tf.keras.Model):
  def __init__(self, name=None, **kwargs):
    super().__init__(**kwargs)

    self.dense_1 = FlexibleDense(out_features=3)
    self.dense_2 = FlexibleDense(out_features=2)
  def call(self, x):
    x = self.dense_1(x)
    return self.dense_2(x)

# You have made a Keras model!
my_sequential_model = MySequentialModel(name="the_model")

# Call it on a tensor, with random results
print("Model results:", my_sequential_model(tf.constant([[2.0, 2.0, 2.0]])))

Model results: tf.Tensor([[ 0.26034355 16.431221  ]], shape=(1, 2), dtype=float32)

ټول ورته ځانګړتیاوې شتون لري، په شمول د متغیرونو او زیرموډولونو څارنه.

یادونه: د Keras کچه یا موډل کې د خام tf.Module نښلول به د روزنې یا ذخیره کولو لپاره خپل متغیرونه راټول نه کړي. په بل ډول، د Keras کچهونه په Keras کچه کې نښلول شي.

my_sequential_model.variables

[<tf.Variable 'my_sequential_model/flexible_dense_1/w:0' shape=(3, 3) dtype=float32, numpy=
 array([[ 1.4749854 ,  0.16090827,  2.2669017 ],
        [ 1.6850946 ,  1.1545411 ,  0.1707306 ],
        [ 0.8753734 , -0.13549292,  0.08751986]], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_1/b:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_2/w:0' shape=(3, 2) dtype=float32, numpy=
 array([[-0.8022977 ,  1.9773549 ],
        [-0.76657015, -0.8485579 ],
        [ 1.6919082 ,  0.49000967]], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_2/b:0' shape=(2,) dtype=float32, numpy=array([0., 0.], dtype=float32)>]

my_sequential_model.submodules

(<__main__.FlexibleDense at 0x7f790c7e0e80>,
 <__main__.FlexibleDense at 0x7f790c7e6940>)

نندارتونtf.keras.Modelدا د TensorFlow ماډل جوړولو لپاره یو خورا پیتونیک لارښود ده. که تاسو د نورو frameworks څخه ماډلونه migrating یاست، دا کولی شي خورا ساده وي.

که تاسو د ماډلونو جوړ کړئ چې د موجوده کټګورۍ او انټونونو ساده ترکیبونه دي، تاسو کولی شئ د کارولو سره وخت او فضا خوندي کړئ.د API کارول، کوم چې د نمونوي reconstruction او آرژانتیک په اړه اضافي ځانګړتیاوو سره راځي.

دلته د فعال API سره ورته ماډل دی:

inputs = tf.keras.Input(shape=[3,])

x = FlexibleDense(3)(inputs)
x = FlexibleDense(2)(x)

my_functional_model = tf.keras.Model(inputs=inputs, outputs=x)

my_functional_model.summary()

Model: "model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 input_1 (InputLayer)        [(None, 3)]               0         
                                                                 
 flexible_dense_3 (Flexible  (None, 3)                 12        
 Dense)                                                          
                                                                 
 flexible_dense_4 (Flexible  (None, 2)                 8         
 Dense)                                                          
                                                                 
=================================================================
Total params: 20 (80.00 Byte)
Trainable params: 20 (80.00 Byte)
Non-trainable params: 0 (0.00 Byte)
_________________________________________________________________

my_functional_model(tf.constant([[2.0, 2.0, 2.0]]))

<tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[3.4276495, 2.937252 ]], dtype=float32)>

په دې کې د لوی فرق دا ده چې د وارداتو شکل د فعال جوړښت پروسه برخه په توګه په مخ کې مشخص شوی.input_shapeپه دې صورت کې ، دا اړتیا نلري چې په بشپړه توګه مشخص شي ، تاسو کولی شئ ځینې اندازې لکهNone.

Note:تاسو اړتیا نلريinput_shapeیا دInputLayerپه یو subclassed ماډل کې؛ دا انګرامونه او کټګورۍ به نښلیدل شي.

د Keras موډلونه

د Keras موډلونه د خپل تخصصي zip آرشیف ذخیره کولو فارم لري، چې د.kerasد اوږدوالي. کله چې د تماسtf.keras.Model.saveد A اضافه.kerasد فایبر نوم پراختیا. د مثال په توګه:

my_sequential_model.save("exname_of_file.keras")

همدارنګه په اسانۍ سره، دوی کولی شي په لویدیځ کې لوستل شي:

reconstructed_model = tf.keras.models.load_model("exname_of_file.keras")

د زپ آرشیف -.kerasفایلونه - هم د متري، د نقصان، او د optimizer حالتونه خوندي کړئ.

دا rekonstructed ماډل کولی شي کارول شي او به د ورته معلوماتو په تماس کې د ورته پايلې تولید کړي:

reconstructed_model(tf.constant([[2.0, 2.0, 2.0]]))

<tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[ 0.26034355, 16.431221  ]], dtype=float32)>

د Keras موډلونو چک

د Keras ماډلونه هم چیک پوښل کیدی شي، او دا به ورته ښکاريtf.Module.

د Keras ماډلونو ذخیره کولو او serialization په اړه نور معلومات شتون لري، په شمول د ځانګړتیاو د ملاتړ لپاره د ګمرکاتو کټګوریو لپاره د تنظیم کولو طریقې وړاندې کولو.د سپارلو او serialization لارښود.

هغه څه چې بل

که تاسو غواړئ د Keras په اړه نور تفصيلات پوه شئ، تاسو کولی شئ د Keras موجودو لارښوونه ونیسئدلته.

د لوړ کچه API په جوړ کې یو بل مثالtf.moduleدی Sonnet له DeepMind، چې په اړه پوښل کیږيزموږ سایټ.

په اصل کې په TheTensorFlowپه ویب پاڼه کې، دا مقاله دلته د نوي نوم لاندې ښودل کیږي او د CC BY 4.0 لسیس شوی دی. د کوډ نمونې د Apache 2.0 لسیس لاندې شریک شوي دي.