TensorFlow2.0 Alpha版已经发布，在2.0中最重要的API或者说到处都出现的API是谁，那无疑是Keras。因此用过2.0的人都会吐槽全世界都是Keras。今天我们就来说说Keras这个高级API。

作者 | 汤兴旺

编辑 | 汤兴旺

1 Keras概述

在TensorFlow2.0中，Keras是一个用于构建和训练深度学习模型的高阶 API。因此如果你正在使用TensorFow2.0，那么使用Keras构建深度学习模型是您的不二选择。在Keras API中总共有如下三大块：

在Modules中有构建训练模型各种必备的组件，如激活函数activations、损失函数losses、优化器optimizers等；在Class中有Sequential和Model两个类，它们用来堆叠模型；在Functions中有Input()函数，它用来实例化张量。

因此若您使用的深度学习框架是TensorFlow，而且是2.0版本，那么你就不可能不使用tensorflow.keras。这也就是使用过TensorFlow2.0版本的都在吐槽全世界都是Keras的原因。

2 Modules

通过上面的介绍，我们知道在Modules中有activations、losses、optimizers等构建训练模型时各种必备的组件。下图就是Modules中有所的模块。

下面我们详细说说里面最常见的几个模块应该如何使用。

1. 常用的数据集（datasets）

在TensorFlow2.0中，常用的数据集需要使用tf.keras.datasets来加载，在datasets中有如下数据集。

对于上图中的数据集我们可以像下面这样加载

(train_images,train_labels),(test_images,test_labels)= keras.datasets.fashion_mnist.load_data()

当然我们平时使用的数据集肯定不在于此，这些数据集都是些最基础的数据集。对于自己的数据如何读取，请期待我们下次的分享。

2. 神经网络层（Layers）

在构建深度学习网络模型时，我们需要定制各种各样的层结构。这时候就要用到layers了，下图是TensorFlow2.0中部分层，它们都是Layer的子类。

那么我们如何使用layer来构建模型呢？方法如下：

from tensorflow.keras import layers

layers.Conv2D()

layers.MaxPool2D()

layers.Flatten()

layers.Dense()

3. 激活函数（Optimizers）

在构建深度学习网络时，我们经常需要选择激活函数来使网络的表达能力更强。下面将介绍TensorFlow2.0中的激活函数及它们应该在TensorFlow2.0中该如何使用。下图是TensorFlow2.0中部分激活函数：

from tensorflow.keras import layers

layers.Conv2D(...,activation='relu')

layers.Dense(...,activation='softmax'）

4. 优化器（activations）

通常当我们准备好数据，设计好模型后，我们就需要选择一个合适的优化器（Optimizers）对模型进行优化。下面将介绍TensorFlow2.0中的优化器及他们应该在TensorFlow2.0中该如何使用。下图是TensorFlow2.0中所有的优化器，它们都是Optimizer的子类。

对于优化器的使用你可以像下面这样使用：

optimizers = tf.keras.optimizers.Adam()

optimizers = tf.keras.optimizers.SGD()

...

5. 损失函数（Losses）

我们知道当我们设计好模型时我们需要优化模型，所谓的优化就是优化网络权值使损失函数值变小，但是损失函数变小是否能代表精度越高呢？那么多的损失函数，我们又该如何选择呢？接下来我们了解下在TensorFlow2.0中如何使用损失函数。下图是TensorFlow2.0中所有的损失函数，它们都是Loss的子类。

对于损失函数的使用你可以像下面这样使用：

loss = tf.keras.losses.SparseCategoricalCrossentropy()

loss = tf.keras.losses.mean_squared_error()

...

3 Class

在Class中有Sequential和Model两个类，它们分别是用来堆叠网络层和把堆叠好的层实例化可以训练的模型。

1. Model

对于实例化Model有下面两种方法

(1).使用keras.Model API

import tensorflow as tftf.keras.Model(inputs=inputs, outputs=outputs)

(2).继承Model类

import tensorflow as tfclass MyModel(tf.keras.Model):

2. Sequential

在TensorFlow2.0中，我们可以使用Sequential模型。具体方式如下：

model = keras.Sequential()

model = model.add(layers.Conv2D(input_shape=(x_train.shape[1], x_train.shape[2],x_train.shape[3]),filters=32,kernel_size=(3,3), strides=(1,1), padding='valid',activation='relu'))

model.add(layers.MaxPool2D(pool_size=(2,2)))

model.add(layers.Flatten())model.add(layers.Dense(32,activation='relu'))

model.add(layers.Dense(10, activation='softmax'))

model.compile(optimizer=keras.optimizers.Adam(),loss=keras.losses.SparseCategoricalCrossentropy(),metrics=['accuracy'])

4 Functions

在Functions中，有一个Input函数，其用来实例化Keras张量。对于Input函数，它有如下参数

tf.keras.Input(

具体方法如下：

x = Input(shape=(32,))

5 简单的图像分类模型实例

#1导入相应的API

import tensorflow as tf

from tensorflow import keras

from tensorflow.keras import layers

#2加载数据

(train_images,train_labels),(test_images,test_labels)= keras.datasets.fashion_mnist.load_data()

#3构建网络

model = keras.Sequential()

model = model.add(layers.Conv2D(input_shape=(x_train.shape[1], x_train.shape[2],x_train.shape[3]),filters=32,kernel_size=(3,3), strides=(1,1), padding='valid',activation='relu'))

model.add(layers.MaxPool2D(pool_size=(2,2)))

model.add(layers.Flatten())model.add(layers.Dense(32,activation='relu'))

model.add(layers.Dense(10, activation='softmax'))

model.compile(optimizer=keras.optimizers.Adam(),loss=keras.losses.SparseCategoricalCrossentropy(),metrics=['accuracy'])

#4模型显示

model.summary()

#5模型训练

model_train=model.fit(x_train, y_train, batch_size=64, epochs=5, validation_split=0.1)

总结

在本讲中，我们简单的了解了TensorFlow2.0中高级API Keras是如何使用的，我们可以看到Keras真的是无处不在，如果你想学好TensorFlow2.0，那么你必须掌握好Kears。

下期预告：如何读取自己的数据集及数据的使用。

最近直播

今日看图猜技术

网络结构

更多精彩内容请关注知乎专栏《有三AI学院》

转载文章请后台联系

侵权必究

往期精选

• 【TensorFlow2.0】TensorFlow2.0专栏上线，你来吗？

• 【AI初识境】从3次人工智能潮起潮落说起

• 【AI初识境】从头理解神经网络-内行与外行的分水岭

• 【AI初识境】近20年深度学习在图像领域的重要进展节点

• 【AI初识境】激活函数：从人工设计到自动搜索

• 【AI初识境】什么是深度学习成功的开始？参数初始化

• 【AI初识境】深度学习模型中的Normalization，你懂了多少？

• 【AI初识境】为了围剿SGD大家这些年想过的那十几招

• 【AI初识境】被Hinton，DeepMind和斯坦福嫌弃的池化，到底是什么？

• 【AI初识境】如何增加深度学习模型的泛化能力

• 【AI初识境】深度学习模型评估，从图像分类到生成模型

• 【AI初识境】深度学习中常用的损失函数有哪些？

• 【AI初识境】给深度学习新手做项目的10个建议

• 【AI不惑境】数据压榨有多狠，人工智能就有多成功

• 【AI不惑境】网络深度对深度学习模型性能有什么影响？

• 【AI不惑境】网络的宽度如何影响深度学习模型的性能？

• 【AI不惑境】学习率和batchsize如何影响模型的性能？

• 【完结】深度学习CV算法工程师从入门到初级面试有多远，大概是25篇文章的距离

• 【完结】优秀的深度学习从业者都有哪些优秀的习惯

• 【完结】给新手的12大深度学习开源框架快速入门项目

• 【完结】总结12大CNN主流模型架构设计思想

• 创业第一天，有三AI扔出了深度学习的150多篇文章和10多个专栏

• 言有三新书预售，不贵，有料

• 这个春天，有三最后一月的学习“季划”招生

• 有三AI VIP会员发售，你的私人AI顾问已上线

• 有三AI知识星球官宣，BAT等大咖等你来撩

• 有三AI小程序上线，把你的代码show给世界

• 揭秘7大AI学习板块，这个星球推荐你拥有