TensorFlow版本:1.10.0 > Guide >
教程地址:https://tensorflow.google.cn/guide/keras
Keras 简介
Keras是一个用于构建和训练深度学习模型的高级API。 它用于快速原型设计,高级研究和生产,具有三个主要优点:
- 用户友好
Keras具有针对常见用例优化的简单,一致的界面。 它为用户错误提供清晰且可操作的反馈。 - 模块化和可组合
Keras模型是通过将可配置的构建块连接在一起而制定的,几乎没有限制。 - 易于扩展
编写自定义构建块以表达研究的新想法。 创建新图层,损失函数并开发最先进的模型。
1. 导入 tf.keras
tf.keras
是 Keras API 在TensorFlow 里的实现。这是一个高级API,用于构建和训练模型,同时兼容 TensorFlow 的绝大部分功能,比如,eager execution, tf.data
模块及 Estimators。 tf.keras
使得 TensorFlow 更容易使用,且保持 TF 的灵活性和性能。
首先需要在您的代码开始时导入tf.keras:
import tensorflow as tf
from tensorflow import keras
tf.keras可以运行任何与Keras兼容的代码,但请记住:
- 最新TensorFlow版本中的tf.keras版本可能与PyPI的最新keras版本不同。 检查tf.keras.version。
- 保存模型的权重时,tf.keras默认为 checkpoint 格式。 通过save_format ='h5'使用HDF5。
2. 构建一个简单的模型
2.1 Sequential model
在Keras中,您可以组装图层来构建模型。 模型(通常)是图层图。 最常见的模型类型是一堆层:tf.keras.Sequential
模型。
构建一个简单的全连接网络(即多层感知器):
model = keras.Sequential()
# Adds a densely-connected layer with 64 units to the model:
model.add(keras.layers.Dense(64, activation='relu'))
# Add another:
model.add(keras.layers.Dense(64, activation='relu'))
# Add a softmax layer with 10 output units:
model.add(keras.layers.Dense(10, activation='softmax'))
2.2 Configure the layers
在 tf.keras.layers 中有很多层,下面是一些通用的构造函数的参数:
-
activation
:设置层的激活函数。 此参数由内置函数的名称或可调用对象指定。 默认情况下,不应用任何激活。 -
kernel_initializer
和bias_initializer
:设置层创建时,权重和偏差的初始化方法。指定方法:名称 或 可调用对象。默认为"Glorot uniform" initializer。 -
kernel_regularizer
和bias_regularizer
:设置层的权重、偏差的正则化方法。比如:L1 或 L2 正则。默认为空。
以下实例化tf.keras。 layers.Dense图层使用构造函数参数:
# Create a sigmoid layer:
layers.Dense(64, activation='sigmoid')
# Or:
layers.Dense(64, activation=tf.sigmoid)
# A linear layer with L1 regularization of factor 0.01 applied to the kernel matrix:
layers.Dense(64, kernel_regularizer=keras.regularizers.l1(0.01))
# A linear layer with L2 regularization of factor 0.01 applied to the bias vector:
layers.Dense(64, bias_regularizer=keras.regularizers.l2(0.01))
# A linear layer with a kernel initialized to a random orthogonal matrix:
layers.Dense(64, kernel_initializer='orthogonal')
# A linear layer with a bias vector initialized to 2.0s:
layers.Dense(64, bias_initializer=keras.initializers.constant(2.0))
3. Train and evaluate
3.1 Set up training
构建模型后,通过调用compile方法配置其训练过程:
model.compile(optimizer=tf.train.AdamOptimizer(0.001),
loss='categorical_crossentropy',
metrics=['accuracy'])
tf.keras.Model.compile有三个重要参数:
- optimizer:训练过程的优化方法。此参数通过
tf.train
模块的优化方法的实例来指定,比如:AdamOptimizer
,RMSPropOptimizer
,GradientDescentOptimizer
。 -
loss
:训练过程中使用的损失函数(通过最小化损失函数来训练模型)。 常见的选择包括:均方误差(mse),categorical_crossentropy和binary_crossentropy。 损失函数由名称或通过从tf.keras.losses模块传递可调用对象来指定。 -
metrics
:训练过程中,监测的指标(Used to monitor training)。
指定方法:名称 或 可调用对象 from thetf.keras.metrics
模块。
以下显示了配置培训模型的几个示例:
# Configure a model for mean-squared error regression.
model.compile(optimizer=tf.train.AdamOptimizer(0.01),
loss='mse', # mean squared error
metrics=['mae']) # mean absolute error
# Configure a model for categorical classification.
model.compile(optimizer=tf.train.RMSPropOptimizer(0.01),
loss=keras.losses.categorical_crossentropy,
metrics=[keras.metrics.categorical_accuracy])
3.2 Input NumPy data
对于小的数据集,可以直接使用 NumPy 格式的数据进行训练、评估模型。模型使用 fit
方法训练数据:
import numpy as np
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))
model.fit(data, labels, epochs=10, batch_size=32)
tf.keras.Model.fit 有三个重要的参数:
-
epochs
:训练多少轮。(小批量) -
batch_size
:当传递NumPy数据时,模型将数据分成较小的批次,并在训练期间迭代这些批次。 此整数指定每个批次的大小。 请注意,如果样本总数不能被批量大小整除,则最后一批可能会更小。 -
validation_data
:在对模型进行原型设计时,您希望轻松监控其在某些验证数据上的性能。 传递这个参数 - 输入和标签的元组 - 允许模型在每个epoch的末尾以传递数据的推理模式显示损失和度量。
这是使用validation_data的示例:
import numpy as np
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))
val_data = np.random.random((100, 32))
val_labels = np.random.random((100, 10))
model.fit(data, labels, epochs=10, batch_size=32,
validation_data=(val_data, val_labels))
3.3 Input tf.data datasets
使用数据集API可扩展到大型数据集或多设备培训。 将tf.data.Dataset实例传递给fit方法:
使用 Datasets API 可扩展到大型数据集或多设备训练。 给 fit
方法传递一个 tf.data.Dataset
实例:
# Instantiates a toy dataset instance:
dataset = tf.data.Dataset.from_tensor_slices((data, labels))
dataset = dataset.batch(32)
dataset = dataset.repeat()
# Don't forget to specify `steps_per_epoch` when calling `fit` on a dataset.
model.fit(dataset, epochs=10, steps_per_epoch=30)
这里,fit方法使用steps_per_epoch参数 - 这是模型在移动到下一个epoch
之前运行的训练步数。 由于数据集生成批量数据,因此此代码段不需要batch_size。
Dataset API 也可以用于验证:
dataset = tf.data.Dataset.from_tensor_slices((data, labels))
dataset = dataset.batch(32).repeat()
val_dataset = tf.data.Dataset.from_tensor_slices((val_data, val_labels))
val_dataset = val_dataset.batch(32).repeat()
model.fit(dataset, epochs=10, steps_per_epoch=30,
validation_data=val_dataset,
validation_steps=3)
3.4 Evaluate and predict
tf.keras.Model.evaluate
和 tf.keras.Model.predict
方法能够使用 NumPy 数据 和 tf.data.Dataset
数据。
要评估所提供数据的推理模式损失和指标:
model.evaluate(x, y, batch_size=32)
model.evaluate(dataset, steps=30)
并且作为NumPy数组,预测所提供数据的推断中最后一层的输出:
model.predict(x, batch_size=32)
model.predict(dataset, steps=30)
4. Build advanced models
4.1 Functional API
tf.keras.Sequential 模型只适用于多层简单堆叠网络,不能表示复杂模型。使用 Keras functional API 可以构建有复杂拓扑结构的模型。比如:
- 多输入模型(Multi-input models)
- 多输出模型(Multi-output models)
- 有共享层的模型(Models with shared layers (the same layer called several times))
- 具有非顺序数据流的模型(Models with non-sequential data flows (e.g. residual connections))
使用函数式API构建模型的工作方式如下:
- 层实例可调用并返回张量。
- 输入 tensors 和输出 tensors 被用来定义一个
tf.keras.Model
实例 - 这个模型的训练就像Sequential模型一样。
以下示例使用函数式API构建一个简单,全连接的网络:
inputs = keras.Input(shape=(32,)) # Returns a placeholder tensor
# A layer instance is callable on a tensor, and returns a tensor.
x = keras.layers.Dense(64, activation='relu')(inputs)
x = keras.layers.Dense(64, activation='relu')(x)
predictions = keras.layers.Dense(10, activation='softmax')(x)
# Instantiate the model given inputs and outputs.
model = keras.Model(inputs=inputs, outputs=predictions)
# The compile step specifies the training configuration.
model.compile(optimizer=tf.train.RMSPropOptimizer(0.001),
loss='categorical_crossentropy',
metrics=['accuracy'])
# Trains for 5 epochs
model.fit(data, labels, batch_size=32, epochs=5)
4.2 Model subclassing
通过继承tf.keras.Model并定义自己的前向传递来构建完全可自定义的模型。 在init方法中创建图层并将它们设置为类实例的属性。 在call方法中定义正向传递。
当启用eager执行时,模型子类化特别有用,因为可以强制写入正向传递。
提示:为工作使用正确的API。 虽然模型子类化提供了灵活性,但其代价是更高的复杂性和更多的用户错误机会。 如果可能,请选择功能API。
以下示例显示了使用自定义正向传递的子类tf.keras.Model:
class MyModel(keras.Model):
def __init__(self, num_classes=10):
super(MyModel, self).__init__(name='my_model')
self.num_classes = num_classes
# Define your layers here.
self.dense_1 = keras.layers.Dense(32, activation='relu')
self.dense_2 = keras.layers.Dense(num_classes, activation='sigmoid')
def call(self, inputs):
# Define your forward pass here,
# using layers you previously defined (in `__init__`).
x = self.dense_1(inputs)
return self.dense_2(x)
def compute_output_shape(self, input_shape):
# You need to override this function if you want to use the subclassed model
# as part of a functional-style model.
# Otherwise, this method is optional.
shape = tf.TensorShape(input_shape).as_list()
shape[-1] = self.num_classes
return tf.TensorShape(shape)
# Instantiates the subclassed model.
model = MyModel(num_classes=10)
# The compile step specifies the training configuration.
model.compile(optimizer=tf.train.RMSPropOptimizer(0.001),
loss='categorical_crossentropy',
metrics=['accuracy'])
# Trains for 5 epochs.
model.fit(data, labels, batch_size=32, epochs=5)
4.3 自定义 layers
通过继承tf.keras.layers.Layer并实现以下方法来创建自定义层:
-
build
:创建图层的权重。 使用add_weight方法添加权重。 -
call
:定义前向传播过程。 -
compute_output_shape
:指定在给定输入形状的情况下如何计算图层的输出形状。 - 或者,可以通过实现get_config方法和from_config类方法来序列化层。
这里有一个自定义 layer 的例子,该 layer 将输入和一个矩阵进行相乘:
class MyLayer(keras.layers.Layer):
def __init__(self, output_dim, **kwargs):
self.output_dim = output_dim
super(MyLayer, self).__init__(**kwargs)
def build(self, input_shape):
shape = tf.TensorShape((input_shape[1], self.output_dim))
# Create a trainable weight variable for this layer.
self.kernel = self.add_weight(name='kernel',
shape=shape,
initializer='uniform',
trainable=True)
# Be sure to call this at the end
super(MyLayer, self).build(input_shape)
def call(self, inputs):
return tf.matmul(inputs, self.kernel)
def compute_output_shape(self, input_shape):
shape = tf.TensorShape(input_shape).as_list()
shape[-1] = self.output_dim
return tf.TensorShape(shape)
def get_config(self):
base_config = super(MyLayer, self).get_config()
base_config['output_dim'] = self.output_dim
return base_config
@classmethod
def from_config(cls, config):
return cls(**config)
# Create a model using the custom layer
model = keras.Sequential([MyLayer(10),
keras.layers.Activation('softmax')])
# The compile step specifies the training configuration
model.compile(optimizer=tf.train.RMSPropOptimizer(0.001),
loss='categorical_crossentropy',
metrics=['accuracy'])
# Trains for 5 epochs.
model.fit(data, targets, batch_size=32, epochs=5)
5. 回调(Callbacks)
回调是传递给模型的对象,用于在训练期间自定义和扩展其行为。 您可以编写自己的自定义回调,或使用包含以下内置的tf.keras.callbacks:
-
tf.keras.callbacks.ModelCheckpoint
:定期保存checkpoints。 -
tf.keras.callbacks.LearningRateScheduler
:动态改变学习速率。 -
tf.keras.callbacks.EarlyStopping
:当验证集上的性能不再提高时,终止训练。 -
tf.keras.callbacks.TensorBoard
:使用TensorBoard 监测模型的行为。
要使用tf.keras.callbacks.Callback,请将其传递给模型的fit方法:
callbacks = [
# Interrupt training if `val_loss` stops improving for over 2 epochs
keras.callbacks.EarlyStopping(patience=2, monitor='val_loss'),
# Write TensorBoard logs to `./logs` directory
keras.callbacks.TensorBoard(log_dir='./logs')
]
model.fit(data, labels, batch_size=32, epochs=5, callbacks=callbacks,
validation_data=(val_data, val_targets))
6. Save and restore
6.1 Weights only
使用 tf.keras.Model.save_weights
来保存和加载模型的 weights:
# Save weights to a TensorFlow Checkpoint file
model.save_weights('./my_model')
# Restore the model's state,
# this requires a model with the same architecture.
model.load_weights('my_model')
默认情况下,这会以 TensorFlow checkpoint 格式保存模型的 weights。weights 也可以保存为 HDF5 格式(Keras 默认的保存格式):
# Save weights to a HDF5 file
model.save_weights('my_model.h5', save_format='h5')
# Restore the model's state
model.load_weights('my_model.h5')
6.2 Configuration only
一个模型的 configuration 可以被保存,序列化过程中不包含任何 weights。保存的 configuration 可以用来重新创建、初始化出相同的模型,即使没有模型原始的定义代码。Keras 支持 JSON,YAML 序列化格式:
# Serialize a model to JSON format
json_string = model.to_json()
# Recreate the model (freshly initialized)
fresh_model = keras.models.model_from_json(json_string)
# Serializes a model to YAML format
yaml_string = model.to_yaml()
# Recreate the model
fresh_model = keras.models.model_from_yaml(yaml_string)
注意:子类模型不可序列化,因为它们的体系结构由调用方法体中的Python代码定义。
6.3 Entire model
整个模型可以保存到包含权重值,模型配置甚至优化器配置的文件中。 这允许您检查模型并稍后从完全相同的状态恢复训练 - 无需访问原始代码。
# Create a trivial model
model = keras.Sequential([
keras.layers.Dense(10, activation='softmax', input_shape=(32,)),
keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
model.fit(data, targets, batch_size=32, epochs=5)
# Save entire model to a HDF5 file
model.save('my_model.h5')
# Recreate the exact same model, including weights and optimizer.
model = keras.models.load_model('my_model.h5')
7. Eager execution
Eager execution是一个必要的编程环境,可以立即评估操作。 这对于Keras不是必需的,但是由tf.keras支持,对于检查程序和调试很有用。
tf.keras
里所有的模型构建 API 兼容 eager execution。并且,在编写 model subclassing 和 custom layers 时使用 eager execution
虽然可以使用Sequential
和函数式API,但是eager execution尤其有利于模型子类化和构建自定义层 - 需要您将正向传递作为代码编写的API(而不是通过组合现有层来创建模型的API)。
请看 eager execution guide 里的例子:使用 Keras models with custom training loops and tf.GradientTape
。
8. Distribution
8.1 Estimators
Estimators API 被用来在分布时环境训练模型。Estimator
API 旨在大型数据集的分布式训练,该 API 能够导出工业生产可用的模型。
一个 tf.keras.Model
可以用 tf.estimator
API 来训练(通过 tf.keras.estimator.model_to_estimator
将模型转为一个 tf.estimator.Estimator
对象)。详情见 Creating Estimators from Keras models。
model = keras.Sequential([layers.Dense(10,activation='softmax'),
layers.Dense(10,activation='softmax')])
model.compile(optimizer=tf.train.RMSPropOptimizer(0.001),
loss='categorical_crossentropy',
metrics=['accuracy'])
estimator = keras.estimator.model_to_estimator(model)
注意: 可以通过开启 eager execution 来调试 Estimator input functions、检查数据。
8.2 Multiple GPUs
tf.keras
模型可以使用 tf.contrib.distribute.DistributionStrategy
在多个 GPU 上运行。此API在多个GPU上提供分布式培训,几乎不对现有代码进行任何更改。
当前,tf.contrib.distribute.MirroredStrategy
是唯一支持的分布式策略。MirroredStrategy
对图进行复制,以同步的方式训练,并且梯度最后聚集在一个机器上。 为了使用 DistributionStrategy
with Keras,首先用 tf.keras.estimator.model_to_estimator
将 tf.keras.Model
转化为一个 tf.estimator.Estimator
,然后训练转化来的estimator。
以下示例在单个计算机上的多个GPU之间分发tf.keras.Model。
首先,定义一个简单的模型:
model = keras.Sequential()
model.add(keras.layers.Dense(16, activation='relu', input_shape=(10,)))
model.add(keras.layers.Dense(1, activation='sigmoid'))
optimizer = tf.train.GradientDescentOptimizer(0.2)
model.compile(loss='binary_crossentropy', optimizer=optimizer)
model.summary()
定义输入pipeline。 input_fn
返回一个tf.data.Dataset
对象,用于在多个设备之间分配数据 - 每个设备处理输入批处理的一部分。
def input_fn():
x = np.random.random((1024, 10))
y = np.random.randint(2, size=(1024, 1))
x = tf.cast(x, tf.float32)
dataset = tf.data.Dataset.from_tensor_slices((x, y))
dataset = dataset.repeat(10)
dataset = dataset.batch(32)
return dataset
接下来,创建一个 tf.estimator.RunConfig
并设置 train_distribute
参数为 tf.contrib.distribute.MirroredStrategy
实例。当创建 MirroredStrategy
时,你可以指定一个设备列表 或 通过 num_gpus
参数设置 GPU 的数量。默认使用所有的 GPU。如下所示:
strategy = tf.contrib.distribute.MirroredStrategy()
config = tf.estimator.RunConfig(train_distribute=strategy)
将 Keras model 转为一个 tf.estimator.Estimator
实例。
keras_estimator = keras.estimator.model_to_estimator(
keras_model=model,
config=config,
model_dir='/tmp/model_dir')
最后,通过提供input_fn和steps参数来训练Estimator实例:
keras_estimator.train(input_fn=input_fn, steps=10)