在本文中，我們將探索TensorFlow 2.0的10個特性。

[[326673]]

1(a). 用于構建輸入管道的tf.data API

從張量構建管道：

>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]) 
>>> iter(dataset).next().numpy() 
8 

Batch和Shuffle：

# Shuffle 
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).shuffle(6) 
>>> iter(dataset).next().numpy() 
0 
# Batch 
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).batch(2) 
>>> iter(dataset).next().numpy() 
array([8, 3], dtype=int32) 
# Shuffle and Batch 
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).shuffle(6).batch(2) 
>>> iter(dataset).next().numpy() 
array([3, 0], dtype=int32) 

壓縮兩個Datsets：

>>> dataset0 = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]) 
>>> dataset1 = tf.data.Dataset.from_tensor_slices([1, 2, 3, 4, 5, 6]) 
>>> dataset = tf.data.Dataset.zip((dataset0, dataset1)) 
>>> iter(dataset).next() 
(<tf.Tensor: shape=(), dtype=int32, numpy=8>, <tf.Tensor: shape=(), dtype=int32, numpy=1>) 

映射外部函數：

def into_2(num): 
     return num * 2 
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).map(into_2) 
>>> iter(dataset).next().numpy() 
16 

1(b). ImageDataGenerator

這是tensorflow.keras API的最佳特性之一。ImageDataGenerator可以在batching和預處理中實時生成數據集切片和數據增強。

生成器允許直接從目錄或dataframes中訪問數據流。

關于ImageDataGenerator中的數據增強的一個誤解是，它會將更多數據添加到現有數據集中。雖然這是數據增強的實際定義，但在ImageDataGenerator中，數據集中的圖像在訓練中按不同的步驟動態轉換，以便模型可以在它沒有看到有噪聲的數據上進行訓練。

train_datagen = ImageDataGenerator( 
        rescale=1./255, 
        shear_range=0.2, 
        zoom_range=0.2, 
        horizontal_flip=True 
) 

在這里，對所有樣本進行重縮放(用于歸一化)，而其他參數則用于增強。

train_generator = train_datagen.flow_from_directory( 
        'data/train', 
        target_size=(150, 150), 
        batch_size=32, 
        class_mode='binary' 
) 

我們為實時數據流指定目錄。這也可以使用dataframes來完成。

train_generator = flow_from_dataframe( 
    dataframe, 
    x_col='filename', 
    y_col='class', 
    class_mode='categorical', 
    batch_size=32 
) 

x_col參數定義了圖像的完整路徑，y_col參數定義了用于分類的label列。

盡管需要指定steps_per_epoch參數，它實際上是number_of_samples // batch_size。

model.fit( 
    train_generator, 
    validation_data=val_generator, 
    epochs=EPOCHS, 
    steps_per_epoch=(num_samples // batch_size), 
    validation_steps=(num_val_samples // batch_size) 
) 

2. 使用tf.image進行數據增強

在數據不足的情況下，對數據進行更改并將其作為單獨的數據點，是在較少數據的情況下進行訓練的非常有效的方法。

tf.image API具有用于轉換圖像的工具，請看以下Python示例：

flipped = tf.image.flip_left_right(image) 
visualise(image, flipped) 

saturated = tf.image.adjust_saturation(image, 5) 
visualise(image, saturated) 

 

 

rotated = tf.image.rot90(image) 
visualise(image, rotated) 

 

 

cropped = tf.image.central_crop(image, central_fraction=0.5) 
visualise(image, cropped) 

3. TensorFlow數據集

pip install tensorflow-datasets 

這是一個非常有用的庫，因為它包含了tensorflow收集的知名數據集。

import tensorflow_datasets as tfds 
mnist_data = tfds.load("mnist") 
mnist_train, mnist_test = mnist_data["train"], mnist_data["test"] 
assert isinstance(mnist_train, tf.data.Dataset) 

在tensorflow-datasets中可用的數據集的詳細列表可以在文檔的Datasets頁面上找到。

音頻、圖像、圖像分類、對象檢測、結構化、摘要、文本、翻譯、視頻都是tfds提供的類型。

4. 使用預訓練的模型進行遷移學習

遷移學習是機器學習領域的一種新潮流，TensorFlow提供了經過基準測試的預訓練模型，可以很容易地針對所需的用例進行擴展。

base_model = tf.keras.applications.MobileNetV2( 
    input_shape=IMG_SHAPE, 
    include_top=False, 
    weights='imagenet' 
) 

可以使用附加層或不同的模型輕松擴展這個base_model。如：

model = tf.keras.Sequential([ 
    base_model, 
    global_average_layer, 
    prediction_layer 
]) 

有關tf.keras.applications下其他模型或模塊的詳細列表，請參閱docs頁面。

5. Estimators

Estimator是TensorFlow完整模型的高級表示，其設計目的是易于縮放和異步訓練。

內置的estimators提供了非常高級的模型抽象，因此您可以直接專注于訓練模型，而不必擔心其復雜性。例如：

linear_est = tf.estimator.LinearClassifier( 
    feature_columnsfeature_columns=feature_columns 
) 
linear_est.train(train_input_fn) 
result = linear_est.evaluate(eval_input_fn) 

TensorFlow有許多內置的estimators，包括LinearRegressor，BoostedTreesClassifier等。Estimators也可以自定義。

6. 自定義層

神經網絡是已知的多層網絡，其中的層可以是不同的類型。TensorFlow包含許多預定義層(例如Dense，LSTM等)。但是對于更復雜的架構，層的邏輯可能會復雜得多。TensorFlow允許構建自定義層，這可以通過對tf.keras.layers.Layer類進行子類化來完成。

class CustomDense(tf.keras.layers.Layer): 
    def __init__(self, num_outputs): 
        super(CustomDense, self).__init__() 
        self.num_outputs = num_outputs 
 
    def build(self, input_shape): 
        selfself.kernel = self.add_weight( 
            "kernel", 
            shape=[int(input_shape[-1]), 
            self.num_outputs] 
        ) 
 
    def call(self, input): 
        return tf.matmul(input, self.kernel) 

實現自定義層的最佳方法是擴展tf.keras.Layer類：

• __init__，可以進行所有與輸入無關的初始化。
• build，您可以了解輸入張量的形狀，并可以進行其余的初始化。
• call，進行forward計算。

盡管可以在__init__中完成核初始化，但最好在build中進行初始化，否則，您將必須在新層創建的每個實例上顯式指定input_shape。

7. 定制訓練

tf.keras序列和模型API使訓練模型更容易。但是，大多數時候在訓練復雜模型時會使用自定義損失函數。此外，模型訓練也可以不同于缺省值(例如，將梯度分別應用于不同的模型組件)。

TensorFlow的自動微分有助于高效地計算梯度。Python示例如下：

def train(model, inputs, outputs, learning_rate): 
    with tf.GradientTape() as t: 
        # Computing Losses from Model Prediction 
        current_loss = loss(outputs, model(inputs)) 
    # Gradients for Trainable Variables with Obtained Losses 
    dW, db = t.gradient(current_loss, [model.W, model.b]) 
    # Applying Gradients to Weights 
    model.W.assign_sub(learning_rate * dW) 
    model.b.assign_sub(learning_rate * db) 

可以針對多個epochs重復此循環，并且可以根據用例使用其他自定義的設置。

8. 檢查點

保存TensorFlow模型可以有兩種類型：

• SavedModel：保存模型的完整狀態以及所有參數。

model.save_weights('checkpoint') 

• 檢查點(Checkpoints)

檢查點捕獲機器學習模型使用的所有參數的精確值。使用Sequential API或Model API構建的機器學習模型可以簡單地以SavedModel格式進行保存。

但是，對于自定義模型，需要設置檢查點。

檢查點不包含模型定義的計算的任何描述，因此通常只有在源代碼可用時才有用。

保存檢查點：

checkpoint_path = “save_path” 
# Defining a Checkpoint 
ckpt = tf.train.Checkpoint(modelmodel=model, optimizeroptimizer=optimizer) 
# Creating a CheckpointManager Object 
ckpt_manager = tf.train.CheckpointManager(ckpt, checkpoint_path, max_to_keep=5) 
# Saving a Model 
ckpt_manager.save() 

加載檢查點：

TensorFlow通過遍歷具有命名邊的有向圖(從加載的對象開始)，將變量匹配到檢查點值。

if ckpt_manager.latest_checkpoint: 
    ckpt.restore(ckpt_manager.latest_checkpoint) 

9. Keras Tuner

這是TensorFlow中的一個相當新的功能。

!pip install keras-tuner 

超參數調優是挑選參數的過程，這些參數定義了機器學習模型的配置，這些是特征工程和機器學習模型性能的決定因素。

# model_builder is a function that builds a model and returns it 
tuner = kt.Hyperband( 
    model_builder, 
    objective='val_accuracy',  
    max_epochs=10, 
    factor=3, 
    directory='my_dir', 
    project_name='intro_to_kt' 
) 

除了HyperBand, BayesianOptimization和RandomSearch也可用于調優。

tuner.search( 
    img_train, label_train,  
    epochs = 10,  
    validation_data=(img_test,label_test),  
    callbacks=[ClearTrainingOutput()] 
) 
 
# Get the optimal hyperparameters 
best_hps = tuner.get_best_hyperparameters(num_trials=1)[0] 

然后，利用最優超參數對模型進行訓練：

model = tuner.hypermodel.build(best_hps) 
model.fit( 
    img_train,  
    label_train,  
    epochs=10,  
    validation_data=(img_test, label_test) 
) 

10. 分布式訓練

如果你有多個GPU，并希望通過將訓練分散在多個GPU上來優化訓練，TensorFlow的各種分布式訓練策略能夠優化GPU的使用，并為你在GPU上進行訓練。

tf.distribute.MirroredStrategy是最常用的策略。它是如何工作的呢?

• 所有變量和模型圖都復制到副本上。
• 輸入均勻地分布在各個副本上。
• 每個副本都為其接收的輸入計算損失和梯度。
• 梯度是通過對所有副本求和來同步的。
• 同步之后，對每個副本上的變量副本進行相同的更新。

strategy = tf.distribute.MirroredStrategy() 
with strategy.scope(): 
    model = tf.keras.Sequential([ 
        tf.keras.layers.Conv2D( 
            32, 3, activation='relu',  input_shape=(28, 28, 1) 
        ), 
        tf.keras.layers.MaxPooling2D(), 
        tf.keras.layers.Flatten(), 
        tf.keras.layers.Dense(64, activation='relu'), 
        tf.keras.layers.Dense(10) 
    ]) 
 
    model.compile( 
        loss="sparse_categorical_crossentropy", 
        optimizer="adam", 
        metrics=['accuracy'] 
    ) 

最后

TensorFlow足以構建機器學習管道的幾乎所有組件。本教程的主要內容是介紹TensorFlow提供的各種api，以及如何使用這些API的快速指南。