Obsahový prehľad 
 
 
 
 
 
 Keramické lišty Stavebný krok Keramické modely Ušetriť Keras modely Testovanie modelov Keras Všimnite si, že až do tohto bodu, neexistuje žiadna zmienka o Keras. Môžete vytvoriť svoj vlastný API na vysokej úrovni na A ľudia majú. tf.Module V tejto sekcii sa pozrieme na to, ako Keras používa Kompletný užívateľský sprievodca modelmi Keras nájdete v . tf.Module Keramický sprievodca Keras vrstvy a modely majú oveľa viac ďalších funkcií, vrátane: 
 
 
 
 
 
 Voliteľné straty Podpora metriky Vstavaná podpora pre voliteľný tréningový argument na rozlíšenie medzi tréningom a použitím záveru Uloženie a obnovenie pythonových objektov namiesto funkcií čiernej skrinky metódy get_config a from_config, ktoré vám umožňujú presne ukladať konfigurácie na umožnenie klonovania modelu v Pythone Tieto funkcie umožňujú oveľa zložitejšie modely prostredníctvom subklasifikácie, ako je napríklad vlastný model GAN alebo model Variational AutoEncoder (VAE). Kľúčové vlastnosti a modely. Plný sprievodca Modely Keras tiež prichádzajú s ďalšou funkčnosťou, ktorá im umožňuje ľahko trénovať, vyhodnocovať, nakladať, ukladať a dokonca trénovať na viacerých strojoch. Keramické lišty je základnou triedou všetkých vrstiev Keras a zdedí ju od . tf.keras.layers.Layer tf.Module Môžete previesť modul na vrstvu Keras jednoducho vymenením materskej vrstvy a potom zmenou Dvojica : __call__ call 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 majú svoje vlastné to robí nejaké účtovníctvo popísané v ďalšej časti a potom volá Nemali by ste si všimnúť žiadnu zmenu funkčnosti. __call__ call() simple_layer([[2.0, 2.0, 2.0]])
 <tf.Tensor: shape=(1, 3), dtype=float32, numpy=array([[1.1688161, 0.       , 0.       ]], dtype=float32)>
 na krok build Ako už bolo uvedené, v mnohých prípadoch je vhodné počkať na vytvorenie premenných, kým si nie ste istí vstupným tvarom. Keras vrstvy prichádzajú s ďalším krokom životného cyklu, ktorý vám umožní väčšiu flexibilitu pri definovaní vašich vrstiev. a funkcie. build sa nazýva presne raz a nazýva sa tvarom vstupu. zvyčajne sa používa na vytvorenie premenných (váhy). build Môžete prepísať vrstva vyššie, aby bola flexibilná vo veľkosti jej vstupov: MyDense 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)
 V tomto bode model nebol postavený, takže neexistujú žiadne premenné: flexible_dense.variables
 []
 Volanie funkcie priradí primerane veľké premenné: # 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)>]
 Odvtedy je volaný iba raz, vstupy budú zamietnuté, ak vstupný tvar nie je kompatibilný s premennými vrstvy: build 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)
 Keramické modely Môžete definovať svoj model ako niesť Keras vrstvy. Keras však poskytuje aj plnohodnotnú modelovú triedu s názvom Dedičstvo od , takže model Keras môže byť použitý a vložený rovnakým spôsobom ako vrstvy Keras. modely Keras prichádzajú s ďalšou funkčnosťou, ktorá im umožňuje ľahko trénovať, hodnotiť, nakladať, ukladať a dokonca trénovať na viacerých strojoch. tf.keras.Model tf.keras.layers.Layer Môžete definovať zhora s takmer identickým kódom, opäť konvertovať Dvojica Ako zmeniť rodiča: SequentialModule __call__ call() @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)
 K dispozícii sú všetky rovnaké funkcie vrátane sledovania premenných a podmodulov. 
 
 Poznámka: Surový tf.Modul vložený do vrstvy alebo modelu Keras nezíska svoje premenné zhromaždené na výcvik alebo úsporu. Poznámka: Surový tf.Modul vložený do vrstvy alebo modelu Keras nezíska svoje premenné zhromaždené na výcvik alebo úsporu. 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>)
 Prevádzať je veľmi pythonický prístup k budovaniu modelov TensorFlow. Ak migrujete modely z iných rámcov, môže to byť veľmi jednoduché. tf.keras.Model Ak budujete modely, ktoré sú jednoduchými zostavami existujúcich vrstiev a vstupov, môžete ušetriť čas a priestor pomocou , which comes with additional features around model reconstruction and architecture. Funkčné API Tu je rovnaký model s funkčným API: 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)>
 Hlavným rozdielom je, že vstupný tvar je špecifikovaný vpredu ako súčasť funkčného konštrukčného procesu. argument v tomto prípade nemusí byť úplne špecifikovaný; niektoré rozmery môžete ponechať ako . input_shape None 
 
 Poznámka: Nie je potrebné zadať input_shape alebo InputLayer v subkategorizovanom modeli; tieto argumenty a vrstvy budú ignorované. Poznámka: Nie je potrebné zadať input_shape alebo InputLayer v subkategorizovanom modeli; tieto argumenty a vrstvy budú ignorované. Ušetriť Keras modely Modely Keras majú svoj vlastný špecializovaný formát archívu zip, ktorý je označený predĺženie. pri volaní Pridať a rozšírenie na súbor. Napríklad: .keras tf.keras.Model.save .keras my_sequential_model.save("exname_of_file.keras")
 Rovnako ľahko, môžu byť naložené späť do: reconstructed_model = tf.keras.models.load_model("exname_of_file.keras")
 Zip archívy - súbory – tiež uložte stav metriky, straty a optimalizátora. .keras Tento rekonštruovaný model môže byť použitý a prinesie rovnaký výsledok pri volaní na rovnaké údaje: 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)>
 Testovanie modelov Keras Keras modely môžu byť tiež kontrolované, a to bude vyzerať rovnako ako . tf.Module Existuje viac informácií o ukladaní a serializácii modelov Keras, vrátane poskytovania metód konfigurácie vlastných vrstiev na podporu funkcií. . Sprievodca šetrením a serializáciou Čo je nasledujúce Ak chcete vedieť viac o Keras, môžete sledovať existujúce Keras sprievodcov . tu Ďalší príklad vysokej úrovne API postaveného na je Sonnet z DeepMind, ktorý je pokrytý na . tf.module ich stránky 
 
 Pôvodne publikovaný na webovej stránke TensorFlow, tento článok sa tu objavuje pod novým titulkom a je licencovaný pod licenciou CC BY 4.0. Pôvodne publikovaný na webovej stránke TensorFlow, tento článok sa tu objavuje pod novým titulkom a je licencovaný pod licenciou CC BY 4.0. TensorFlow

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

Vytvorte, vycvičte a uložte modely pomocou Keras a tf.Module

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

Code Smell 298 - How to Fix Microsoft Windows Time Waste

16 Best Sklearn Datasets for Building Machine Learning Models

When Blood Told

112 Stories To Learn About Hackernoon Community

Code Smell 298 - How to Fix Microsoft Windows Time Waste

16 Best Sklearn Datasets for Building Machine Learning Models

When Blood Told

112 Stories To Learn About Hackernoon Community

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps