TensorFlow 1.9 新增 tf.keras 官方入门教程(Keras与TF的深度集成)

2018 年 7 月 20 日 专知

【导读】Keras是深度学习框架中最适合工程化的框架之一,具有简单友好的接口。TensorFlow虽然功能强大,但是对于工程师来说,它的使用却十分的繁琐。好消息是Keras的许多核心功能已经融入了原生的TensorFlow(tf.keras),TensorFlow 1.9新增tf.keras官方入门文档,介绍了tf.keras的使用。


这几天打开TensorFlow的官方教程页(https://www.tensorflow.org/tutorials/),会发现教程页中给出的DEMO变成了基于tf.keras的教程。其实,tf.keras模块早就存在于老版本的TensorFlow中,官方一直在完善它的功能。在TensorFlow 1.9放出了tf.keras的官方教程,看来是tf.keras模块已经做得很稳定了。



用过Keras的都知道,对于工程来说,Keras相对于TensorFlow具有更友好的接口、更简洁的代码以及一些常用的工具类。例如,Keras Applications是Keras提供的一套非常好用的模型库,直接包含了下面的模型,简直就是工程师的瑞士军刀:

  • Xception

  • VGG16

  • VGG19

  • ResNet50

  • InceptionV3

  • InceptionResNetV2

  • MobileNet

  • DenseNet

  • NASNet

  • MobileNetV2


例如通过下面的代码就可以直接使用VGG 16提取特征:

from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
import numpy as np

model = VGG16(weights='imagenet', include_top=False)

img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)

features = model.predict(x)


虽然现在Keras的主流是使用TensorFlow作为内核,但是直接混用Keras和TensorFlow还是很有难度的。在Keras中使用TensorFlow要按照Keras的规范使用TensorFlow来定制各种层,还是比较繁琐的。tf.keras使得TensorFlow和Keras进行了深度的融合,不需要安装Keras,就可以在TensorFlow中直接使用Keras的各种功能,而且tf.keras中的模块是按照TensorFlow的规范定制的,自身就是原生的TensorFlow程序,可以和你原来写的TensorFlow代码进行无缝接轨。


在TensorFlow的官方文档中,可以找到名为tf.keras.applications的Module ( https://www.tensorflow.org/api_docs/python/tf/keras/applications ),并且,keras.applications下的模型几乎都被搬运了过来。


densenet module: DenseNet models for Keras.

inception_resnet_v2 module: Inception-ResNet V2 model for Keras.

inception_v3 module: Inception V3 model for Keras.

mobilenet module: MobileNet v1 models for Keras.

nasnet module: NASNet-A models for Keras.

resnet50 module: ResNet50 model for Keras.

vgg16 module: VGG16 model for Keras.

vgg19 module: VGG19 model for Keras.

xception module: Xception V1 model for Keras.


可以看一下用tf.keras构建模型有多么容易,下面的例子与Keras的写法差不多。同样的模型使用TensorFlow静态图来构建可能需要两倍以上的代码量:

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
 tf.keras.layers.Flatten(),
 
tf.keras.layers.Dense(512, activation=tf.nn.relu),
 
tf.keras.layers.Dropout(0.2),
 
tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam',
             
loss='sparse_categorical_crossentropy',
             
metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)


另外值得一提的是,tf.keras在TensorFlow的动态图(Eager)中也扮演着重要的作用,在TensorFlow Eager的官方教程中,推荐使用tf.keras.Model来封装模型:

https://www.tensorflow.org/guide/eager

class MNISTModel(tf.keras.Model):
 
def __init__(self):
   
super(MNISTModel, self).__init__()
   self.dense1 = tf.keras.layers.Dense(units=10)
   self.dense2 = tf.keras.layers.Dense(units=10)

 def call(self, input):
   
"""Run the model."""
   
result = self.dense1(input)
   result = self.dense2(result)
   result = self.dense2(result)  # reuse variables from dense2 layer
   
return result

model = MNISTModel()


除了tf.keras,TensorFlow 1.9发布了更多的和动态图相关的教程。

参考链接:https://www.tensorflow.org/tutorials/


-END-

专 · 知


人工智能领域主题知识资料查看与加入专知人工智能服务群

【专知AI服务计划】专知AI知识技术服务会员群加入人工智能领域26个主题知识资料全集获取欢迎微信扫一扫加入专知人工智能知识星球群,获取专业知识教程视频资料和与专家交流咨询


请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料

请加专知小助手微信(扫一扫如下二维码添加),加入专知主题群(请备注主题类型:AI、NLP、CV、 KG等)交流~


关注专知公众号,获取人工智能的专业知识!

点击“阅读原文”,使用专知

登录查看更多
13

相关内容

《强化学习—使用 Open AI、TensorFlow和Keras实现》174页pdf
专知会员服务
136+阅读 · 2020年3月1日
TensorFlow Lite指南实战《TensorFlow Lite A primer》,附48页PPT
专知会员服务
69+阅读 · 2020年1月17日
【模型泛化教程】标签平滑与Keras, TensorFlow,和深度学习
专知会员服务
20+阅读 · 2019年12月31日
【干货】谷歌Joshua Gordon 《TensorFlow 2.0讲解》,63页PPT
专知会员服务
27+阅读 · 2019年11月2日
【书籍】深度学习框架:PyTorch入门与实践(附代码)
专知会员服务
163+阅读 · 2019年10月28日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
TensorFlow 2.0 中文视频教程来啦
AINLP
11+阅读 · 2019年8月24日
官方解读:TensorFlow 2.0 新的功能特性
云头条
3+阅读 · 2019年1月23日
TF Boys必看!一文搞懂TensorFlow 2.0新架构!
引力空间站
18+阅读 · 2019年1月16日
教程 | 如何从TensorFlow转入PyTorch
机器之心
7+阅读 · 2017年9月30日
Arxiv
4+阅读 · 2019年12月2日
Deep learning for cardiac image segmentation: A review
Arxiv
21+阅读 · 2019年11月9日
Arxiv
9+阅读 · 2019年11月6日
Arxiv
8+阅读 · 2018年11月27日
Arxiv
31+阅读 · 2018年11月13日
VIP会员
相关VIP内容
Top
微信扫码咨询专知VIP会员