Tensorflow(二十四) —— keras实用API

Tensorflow(二十四) —— keras实用API

1. Metrics

import tensorflow as tf
from tensorflow.keras import optimizers,layers,Sequential,metrics,datasets
# ************** Metrics
1、build a meter
acc_meter = metrics.Accuracy()
loss_meter = metrics.Mean()

2、update data
acc_meter.update_state(y,pred)
loss_meter.update_state(loss)

3get average data
print(step,"loss:",loss_meter.result().numpy())
print(step,"evaulate acc:",acc_meter.result().numpy())

4、clear buffer
loss_meter.reset_states()
acc_meter.reset_states()

2. compile & fit

# compile & fit
(x,y),(x_test,y_test) = datasets.mnist.load_data()
def preprocess(x,y):
    x = tf.cast(x,dtype=tf.float32)/255.
    x = tf.reshape(x,[-1,28*28])
    y = tf.cast(y,dtype=tf.int32)
    y = tf.one_hot(y,depth=10)
    return x,y
db = tf.data.Dataset.from_tensor_slices((x,y))
db_test = tf.data.Dataset.from_tensor_slices((x_test,y_test))
db = db.map(preprocess).shuffle(10000).batch(128)
db_test = db_test.map(preprocess).shuffle(10000).batch(128)

model = Sequential([
                    layers.Dense(256,activation=tf.nn.relu),
                    layers.Dense(128,activation=tf.nn.relu),
                    layers.Dense(64,activation=tf.nn.relu),
                    layers.Dense(10)
])
model.build(input_shape=[None,28*28])
model.compile(optimizer = optimizers.Adam(lr = 1e-3),
              loss = tf.losses.CategoricalCrossentropy(from_logits = True),
             )
model.fit(db,epochs = 10)

3. evaluate

# evaluate
(x,y),(x_test,y_test) = datasets.mnist.load_data()
def preprocess(x,y):
    # x是一张照片
    x = tf.cast(x,dtype=tf.float32)/255.
    x = tf.reshape(x,[28*28])
    y = tf.cast(y,dtype=tf.int32)
    y = tf.one_hot(y,depth=10)
    return x,y

db = tf.data.Dataset.from_tensor_slices((x,y))
db_test = tf.data.Dataset.from_tensor_slices((x_test,y_test))
db = db.map(preprocess).shuffle(10000).batch(128)
db_test = db_test.map(preprocess).shuffle(10000).batch(128)

model = Sequential([
                    layers.Dense(256,activation=tf.nn.relu),
                    layers.Dense(128,activation=tf.nn.relu),
                    layers.Dense(64,activation=tf.nn.relu),
                    layers.Dense(10)
])
model.build(input_shape=[None,28*28])
model.compile(optimizer= optimizers.Adam(lr = 1e-3),
              loss = tf.losses.CategoricalCrossentropy(from_logits=True),
              metrics = ["accuracy"]
)
model.fit(db,epochs=10,validation_data=db_test,validation_freq=2)
model.evaluate(db_test)

4. predict & predict_classes

# predict & predict_classes
y_pre = model.predict(x_test.reshape([-1,28*28]))
print(y_pre)
y_pre_label = model.predict_classes(x_test.reshape([-1,28*28]))
print(y_pre_label)

本文为参考龙龙老师的“深度学习与TensorFlow 2入门实战“课程书写的学习笔记

by CyrusMay 2022 04 17

### TensorFlow 2 GPU 集成 Keras 教程 TensorFlow 2.x 已经完全集成了 Keras API,这意味着可以无缝使用 Keras 构建和训练模型,并利用 TensorFlow 提供的强大功能。以下是关于如何在 TensorFlow 2.x 中集成 Keras 并启用 GPU 支持的详细介绍。 #### 启用 GPU 加速 为了确保 TensorFlow 能够检测到可用的 GPU 设备并自动分配资源,在安装 TensorFlow GPU 版本之后,可以通过以下代码验证设备配置: ```python import tensorflow as tf # 列出所有可用的物理设备 print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU'))) ``` 如果成功启用了 GPU,则会显示至少一个 GPU 设备的信息[^1]。 #### 使用 Keras 构建模型 在 TensorFlow 2.x 中,`tf.keras` 是官方推荐使用的高级神经网络接口。下面是一个简单的例子,展示如何构建卷积神经网络 (CNN),并通过 `fit()` 方法完成训练过程: ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Conv2D, Flatten, MaxPooling2D model = Sequential([ Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)), MaxPooling2D(pool_size=(2, 2)), Flatten(), Dense(128, activation='relu'), Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) ``` 上述代码定义了一个基本 CNN 结构,并通过 `compile()` 函数指定了优化器、损失函数以及评估指标[^2]。 #### 数据预处理与加载 对于实际应用中的复杂数据集,通常需要对其进行标准化或其他形式的预处理操作。例如,可以从 GitHub 下载预先处理好的数据文件用于快速测试环境设置是否正常工作。 假设已经下载了所需的数据集,那么可以直接调用内置方法读取这些数据: ```python (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() # 归一化像素值至 [0, 1] x_train = x_train / 255.0 x_test = x_test / 255.0 # 扩展维度以匹配输入层需求 x_train = x_train[..., tf.newaxis] x_test = x_test[..., tf.newaxis] train_ds = tf.data.Dataset.from_tensor_slices((x_train, y_train)).shuffle(10000).batch(32) test_ds = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32) ``` 此段脚本完成了 MNIST 数字识别任务所需的全部准备工作——包括获取原始图像数组及其标签列表;接着执行必要的转换步骤以便于后续计算高效运行。 #### 开始训练 最后一步就是启动整个流程来调整权重直至达到预期性能水平为止: ```python history = model.fit(train_ds, epochs=5, validation_data=test_ds) ``` 在这里设置了五个周期(epoch)作为示例演示目的而已; 实际项目可能需要更多轮次才能获得满意的结果. --- ### 总结 综上所述,TensorFlow 2.x 不仅继承了前一代产品的优秀特性还进一步增强了易用性和兼容性.Keras 成为其核心组成部分之一使得开发者能够更加专注于算法设计本身而不是底层细节管理方面的问题.[^2]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值