前言
最近做实验比较焦虑,因此准备结合推荐算法梳理下Tensorflow2.x的知识。介绍Tensorflow2.x的文章有很多,但本文(系列)是按照作者构建模型的思路来展开的,因此不会从Eager Execution开始。另外,尽量摆脱小白文,加入自己的理解。
本文约2.7k字,预计阅读10分钟。
Tensorflow2.x的三种建模方式
Tensorflow2.x创建模型的方式主要有三种:
-
Sequential API,顺序模型;
-
Function API,函数式模型;
-
Subclassing API,子类化模型;
其中Sequential API
只适用于简单的层堆叠,很难实现复杂模型,而Function API
与Subclassing API
各有优劣,也不必区分,因为可以进行混搭。
1. Sequential API
顺序API是layer-by-layer
的方式,适用于简单的层堆栈,但对于构建多输入、多输出的模型难以实现。个人并不推荐使用这种方式构建模型,因此简单放个例子:
model = Sequential(
[
Input(shape=(3,)),
Dense(2, activation='relu', name='layer1'),
Dense(3, activation='relu', name='layer2'),
Dense(4, name='layer3'),
]
)
2. Function API
函数式API能很好的处理非线性拓扑、共享层、具有多输入多输出的模型。且模型通常都是层的有向无环图(DAG),因此函数式API是构建层计算图的一种方式。
以下是Encoder-Decoder
结构:
def get_models():
encoder_input = Input(shape=(28, 28, 1), name="img")
x = layers.Conv2D(16, 3, activation="relu")(encoder_input)
x = layers.Conv2D(32, 3, activation="relu")(x)
x = layers.MaxPooling2D(3)(x)
x = layers.Conv2D(32, 3, activation="relu")(x)
x = layers.Conv2D(16, 3, activation="relu")(x)
encoder_output = layers.GlobalMaxPooling2D()(x)
x = layers.Reshape((4, 4, 1))(encoder_output)
x = layers.Conv2DTranspose(16, 3, activation="relu")(x)
x = layers.Conv2DTranspose(32, 3, activation="relu")(x)
x = layers.UpSampling2D(3)(x)
x = layers.Conv2DTranspose(16, 3, activa