概述

这是对Keras高级特性的简短介绍。它使用:

1. tfdatasets管理输入数据。
2. 一个定制的模式。
3. tfautograph建立一个定制的训练循环。

在运行快速启动之前，您需要安装Keras。详情请参阅安装安装说明。

图书馆(keras)图书馆(tfdatasets)图书馆(tfautograph)图书馆(网状)图书馆(purrr)

让我们从装载和准备MNIST数据集．像素的值是0到255之间的整数，我们将把它们转换为0到1之间的浮点数。

mnist < -dataset_mnist（）mnist＄火车＄x < -mnist＄火车＄x/255mnist＄测验＄x < -mnist＄测验＄x/255昏暗的(mnist＄火车＄x) < -c（昏暗的(mnist＄火车＄x)1）昏暗的(mnist＄测验＄x) < -c（昏暗的(mnist＄测验＄x)1）

现在,让我们使用tfdatasets批处理和打乱数据集。

train_ds < -mnist＄火车% > %tensor_slices_dataset（）% > %dataset_take（20000）% > %dataset_map（～modify_at(以下方式,“x”,特遣部队＄演员阵容,dtype =特遣部队＄float32))% > %dataset_map（～modify_at(以下方式,“y”,特遣部队＄演员阵容,dtype =特遣部队＄int64))% > %dataset_shuffle（10000）% > %dataset_batch（32）test_ds < -mnist＄测验% > %tensor_slices_dataset（）% > %dataset_take（2000）% > %dataset_map（～modify_at(以下方式,“x”,特遣部队＄演员阵容,dtype =特遣部队＄float32))% > %dataset_map（～modify_at(以下方式,“y”,特遣部队＄演员阵容,dtype =特遣部队＄int64))% > %dataset_batch（32）

现在我们将定义一个Keras定制模型。

simple_conv_nn < -函数(过滤器,kernel_size) {keras_model_custom（name =“MyModel”，函数(自我){自我＄conv1 < -layer_conv_2d（过滤器=过滤器,kernel_size =代表(kernel_size2)，激活=“relu”）自我＄平< -layer_flatten（）自我＄d1 < -layer_dense（单位=128，激活=“relu”）自我＄d2 < -layer_dense（单位=10，激活=“softmax”）函数(输入,掩码=零){输入% > %自我＄conv1（）% > %自我＄平（）% > %自我＄d1（）% > %自我＄d2（）｝})｝模型< -simple_conv_nn（过滤器=32，kernel_size =3.）

然后我们可以选择一个优化器和损失函数进行训练:

损失< -loss_sparse_categorical_crossentropy优化器< -optimizer_adam（）

选择度量来度量模型的损失和精度。这些指标在各个时期累积值，然后打印总体结果。

train_loss < -特遣部队＄keras＄指标＄的意思是（name =“train_loss”）train_accuracy < -特遣部队＄keras＄指标＄SparseCategoricalAccuracy（name =“train_accuracy”）test_loss < -特遣部队＄keras＄指标＄的意思是（name =“test_loss”）test_accuracy < -特遣部队＄keras＄指标＄SparseCategoricalAccuracy（name =“test_accuracy”）

然后我们定义一个函数，它能够执行一个训练步骤:

train_step < -函数(图片、标签){与(特遣部队＄GradientTape（）%, %胶带,{预测< -模型(图片)l < -损失(标签、预测)})梯度< -磁带＄梯度(l,模型＄trainable_variables)优化器＄apply_gradients(purrr：：转置（列表（渐变模型＄trainable_variables))）train_loss(左)train_accuracy(标签、预测)｝

然后我们提供一个能够测试模型的函数:

test_step < -函数(图片、标签){预测< -模型(图片)l < -损失(标签、预测)test_loss(左)test_accuracy(标签、预测)｝

然后我们可以编写训练循环函数:

training_loop < -tf_function（亲笔签名（函数(train_ds test_ds) {为(b1在train_ds) {train_step(b1＄x, b1＄y)｝为(b2在test_ds) {test_step(b2＄x, b2＄y)｝特遣部队＄打印（“Acc”, train_accuracy＄结果（），“测试Acc”, test_accuracy＄结果（））train_loss＄reset_states（）train_accuracy＄reset_states（）test_loss＄reset_states（）test_accuracy＄reset_states（）}))

最后让我们运行5个周期的训练循环:

为(时代在1：5){猫（”时代:“时代," -----------\ n＂）training_loop(train_ds test_ds)｝

# #时代:1  ----------- Acc 0.93095测试Acc 0.954 # #时代:2  ----------- Acc 0.956525测试Acc 0.95825 # #时代:3  ----------- Acc 0.968066692测试Acc 0.9575 # #时代:4  ----------- Acc 0.9752测试Acc 0.960125 # #时代:5  ----------- Acc 0.9796测试Acc 0.9617