概述

通过自定义网络, 我们可以自己创建网络并和现有的网络串联起来, 从而实现各种各样的网络结构.

Sequential

Sequential 是 Keras 的一个网络容器. 可以帮助我们将多层网络封装在一起.

通过 Sequential 我们可以把现有的层已经我们自己的层实现结合, 一次前向传播就可以实现数据从第一层到最后一层的计算.

格式:

tf.keras.Sequential(layers=None, name=None
)

例子:

# 5层网络模型
model = tf.keras.Sequential([tf.keras.layers.Dense(256, activation=tf.nn.relu),tf.keras.layers.Dense(128, activation=tf.nn.relu),tf.keras.layers.Dense(64, activation=tf.nn.relu),tf.keras.layers.Dense(32, activation=tf.nn.relu),tf.keras.layers.Dense(10)
])

Model & Layer

通过 Model 和 Layer 的__init__和call()我们可以自定义层和模型.

Model:

class My_Model(tf.keras.Model):  # 继承Modeldef __init__(self):"""初始化"""super(My_Model, self).__init__()self.fc1 = My_Dense(784, 256)  # 第一层self.fc2 = My_Dense(256, 128)  # 第二层self.fc3 = My_Dense(128, 64)  # 第三层self.fc4 = My_Dense(64, 32)  # 第四层self.fc5 = My_Dense(32, 10)  # 第五层def call(self, inputs, training=None):"""在Model被调用的时候执行:param inputs: 输入:param training: 默认为None:return: 返回输出"""x = self.fc1(inputs)x = tf.nn.relu(x)x = self.fc2(x)x = tf.nn.relu(x)x = self.fc3(x)x = tf.nn.relu(x)x = self.fc4(x)x = tf.nn.relu(x)x = self.fc5(x)return x

Layer:

class My_Dense(tf.keras.layers.Layer):  # 继承Layerdef __init__(self, input_dim, output_dim):"""初始化:param input_dim::param output_dim:"""super(My_Dense, self).__init__()# 添加变量self.kernel = self.add_variable("w", [input_dim, output_dim])  # 权重self.bias = self.add_variable("b", [output_dim])  # 偏置def call(self, inputs, training=None):"""在Layer被调用的时候执行, 计算结果:param inputs: 输入:param training: 默认为None:return: 返回计算结果"""# y = w * x + bout = inputs @ self.kernel + self.biasreturn out

案例

数据集介绍

CIFAR-10 是由 10 类不同的物品组成的 6 万张彩色图片的数据集. 其中 5 万张为训练集, 1 万张为测试集.

完整代码

import tensorflow as tfdef pre_process(x, y):# 转换xx = 2 * tf.cast(x, dtype=tf.float32) / 255 - 1  # 转换为-1~1的形式x = tf.reshape(x, [-1, 32 * 32 * 3])  # 把x铺平# 转换yy = tf.convert_to_tensor(y)  # 转换为0~1的形式y = tf.one_hot(y, depth=10)  # 转成one_hot编码# 返回x, yreturn x, ydef get_data():"""获取数据:return:"""# 获取数据(X_train, y_train), (X_test, y_test) = tf.keras.datasets.cifar10.load_data()# 调试输出维度print(X_train.shape)  # (50000, 32, 32, 3)print(y_train.shape)  # (50000, 1)# squeezey_train = tf.squeeze(y_train)  # (50000, 1) => (50000,)y_test = tf.squeeze(y_test)  # (10000, 1) => (10000,)# 分割训练集train_db = tf.data.Dataset.from_tensor_slices((X_train, y_train)).shuffle(10000, seed=0)train_db = train_db.batch(batch_size).map(pre_process).repeat(iteration_num)  # 迭代20次# 分割测试集test_db = tf.data.Dataset.from_tensor_slices((X_test, y_test)).shuffle(10000, seed=0)test_db = test_db.batch(batch_size).map(pre_process)return train_db, test_dbclass My_Dense(tf.keras.layers.Layer):  # 继承Layerdef __init__(self, input_dim, output_dim):"""初始化:param input_dim::param output_dim:"""super(My_Dense, self).__init__()# 添加变量self.kernel = self.add_weight("w", [input_dim, output_dim])  # 权重self.bias = self.add_weight("b", [output_dim])  # 偏置def call(self, inputs, training=None):"""在Layer被调用的时候执行, 计算结果:param inputs: 输入:param training: 默认为None:return: 返回计算结果"""# y = w * x + bout = inputs @ self.kernel + self.biasreturn outclass My_Model(tf.keras.Model):  # 继承Modeldef __init__(self):"""初始化"""super(My_Model, self).__init__()self.fc1 = My_Dense(32 * 32 * 3, 256)  # 第一层self.fc2 = My_Dense(256, 128)  # 第二层self.fc3 = My_Dense(128, 64)  # 第三层self.fc4 = My_Dense(64, 32)  # 第四层self.fc5 = My_Dense(32, 10)  # 第五层def call(self, inputs, training=None):"""在Model被调用的时候执行:param inputs: 输入:param training: 默认为None:return: 返回输出"""x = self.fc1(inputs)x = tf.nn.relu(x)x = self.fc2(x)x = tf.nn.relu(x)x = self.fc3(x)x = tf.nn.relu(x)x = self.fc4(x)x = tf.nn.relu(x)x = self.fc5(x)return x# 定义超参数
batch_size = 256  # 一次训练的样本数目
learning_rate = 0.001  # 学习率
iteration_num = 20  # 迭代次数
optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate)  # 优化器
loss = tf.losses.CategoricalCrossentropy(from_logits=True)  # 损失
network = My_Model()  # 实例化网络# 调试输出summary
network.build(input_shape=[None, 32 * 32 * 3])
print(network.summary())# 组合
network.compile(optimizer=optimizer,loss=loss,metrics=["accuracy"])if __name__ == "__main__":# 获取分割的数据集train_db, test_db = get_data()# 拟合network.fit(train_db, epochs=5, validation_data=test_db, validation_freq=1)

输出结果:

Model: "my__model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
my__dense (My_Dense)         multiple                  786688
_________________________________________________________________
my__dense_1 (My_Dense)       multiple                  32896
_________________________________________________________________
my__dense_2 (My_Dense)       multiple                  8256
_________________________________________________________________
my__dense_3 (My_Dense)       multiple                  2080
_________________________________________________________________
my__dense_4 (My_Dense)       multiple                  330
=================================================================
Total params: 830,250
Trainable params: 830,250
Non-trainable params: 0
_________________________________________________________________
None
(50000, 32, 32, 3)
(50000, 1)
2021-06-15 14:35:26.600766: I tensorflow/compiler/mlir/mlir_graph_optimization_pass.cc:176] None of the MLIR Optimization Passes are enabled (registered 2)
Epoch 1/5
3920/3920 [==============================] - 39s 10ms/step - loss: 0.9676 - accuracy: 0.6595 - val_loss: 1.8961 - val_accuracy: 0.5220
Epoch 2/5
3920/3920 [==============================] - 41s 10ms/step - loss: 0.3338 - accuracy: 0.8831 - val_loss: 3.3207 - val_accuracy: 0.5141
Epoch 3/5
3920/3920 [==============================] - 41s 10ms/step - loss: 0.1713 - accuracy: 0.9410 - val_loss: 4.2247 - val_accuracy: 0.5122
Epoch 4/5
3920/3920 [==============================] - 41s 10ms/step - loss: 0.1237 - accuracy: 0.9581 - val_loss: 4.9458 - val_accuracy: 0.5050
Epoch 5/5
3920/3920 [==============================] - 42s 11ms/step - loss: 0.1003 - accuracy: 0.9666 - val_loss: 5.2425 - val_accuracy: 0.5097

TensorFlow2 手把手教你实现自定义层相关推荐

TensorFlow2 手把手教你避开梯度消失和梯度爆炸
TensorFlow2 手把手教你避开梯度消失和梯度爆炸梯度消失 & 梯度爆炸梯度消失梯度爆炸张量限幅 tf.clip_by_value tf.clip_by_norm mnist 展 ...
手把手教你 Tableau 自定义地理编码（十九）
手把手教你 Tableau 自定义地理编码 Tableau 绘制地图时,支持的地理位置数据有限.当我们需要 Tableau 识别我们自定义的地理位置数据时,我们可以使用 Tableau 的自定义地理编 ...
手把手教你 springboot 自定义注解（含代码）
来源:moon聊技术 https://mp.weixin.qq.com/s/s-B8i1wyJESqvrKp10ytQg 女朋友 : 我想要我自己的注解,你教我! moon : 诶?你怎么突然想要自己 ...
Spring Boot - 手把手教小师妹自定义Spring Boot Starter
文章目录 Pre 自定义starter的套路步骤命名规范官方命名空间自定义命名空间实战创建一个父maven项目:springboot_custome_starter 创建两个Module ...
干货 | 手把手教你iOS自定义视频压缩
作者简介孙龙波,携程内容信息研发部 Native 开发 leader.目前主要负责携程攻略,行程,视频直播等项目的前端开发和团队管理. 一.前言随着抖音,快手等APP的迅猛发展,短视频在移动端的地 ...
手把手教你绘制自定义地图
1. 内容概述自定义地图组件支持使用用户自己绘制的地图绑定和呈现数据. 我们可以直接在设计器中绘制自定义地图,只需导入底图图片,进行描边和调整标记点,即可使用. 如下图所示,我们根据一张商场的平面图 ...
【朝花夕拾】Android自定义View之（一）手把手教你看懂View绘制流程——向源码要答案
前言原文:Android自定义View之(一)手把手教你看懂View绘制流程--向源码要答案 View作为整个app的颜值担当,在Android体系中占有重要的地位.深入理解Android View ...
C# SuperSocket 手把手教你入门傻瓜教程---5（探索自定义AppServer、AppSession，Conmmand，用配置文件App.comfig启动服务器）
C# SuperSocket 手把手教你入门傻瓜教程系列教程 C# SuperSocket 手把手教你入门傻瓜教程---1(服务器单向接收客户端发送数据) C# SuperSocket 手把手教你 ...
解放前端工程师——手把手教你开发自己的自定义列表和自定义表单系列之二接口
前言阅读前请按照顺序参看系列文章,效果更佳! Vue中路由到一个公共组件,然后根据路径中是否存在文件动态加载组件解放前端工程师--手把手教你开发自己的自定义列表和自定义表单系列之一缘起据说系列文 ...

TensorFlow2 手把手教你实现自定义层