机器学习：TensorFlow 2.0中的10个技巧
即将开播：5月20日，基于kubernetes打造企业级私有云实践
在本文中，我们将探索TensorFlow 2.0的10个特性。
1(a). 用于构建输入管道的tf.data API
从张量构建管道：
>>> 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)
压缩两个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>)
映射外部函数：
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
这是tensorflow.keras API的最佳特性之一。ImageDataGenerator可以在batching和预处理中实时生成数据集切片和数据增强。
生成器允许直接从目录或dataframes中访问数据流。
关于ImageDataGenerator中的数据增强的一个误解是，它会将更多数据添加到现有数据集中。虽然这是数据增强的实际定义，但在ImageDataGenerator中，数据集中的图像在训练中按不同的步骤动态转换，以便模型可以在它没有看到有噪声的数据上进行训练。
train_datagen = ImageDataGenerator( rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True )
在这里，对所有样本进行重缩放(用于归一化)，而其他参数则用于增强。
train_generator = train_datagen.flow_from_directory( 'data/train', target_size=(150, 150), batch_size=32, class_mode='binary' )
我们为实时数据流指定目录。这也可以使用dataframes来完成。
train_generator = flow_from_dataframe( dataframe, x_col='filename', y_col='class', class_mode='categorical', batch_size=32 )
x_col参数定义了图像的完整路径，y_col参数定义了用于分类的label列。
尽管需要指定steps_per_epoch参数，它实际上是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进行数据增强
在数据不足的情况下，对数据进行更改并将其作为单独的数据点，是在较少数据的情况下进行训练的非常有效的方法。
tf.image API具有用于转换图像的工具，请看以下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数据集
pip install tensorflow-datasets
这是一个非常有用的库，因为它包含了tensorflow收集的知名数据集。
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中可用的数据集的详细列表可以在文档的Datasets页面上找到。
音频、图像、图像分类、对象检测、结构化、摘要、文本、翻译、视频都是tfds提供的类型。
4. 使用预训练的模型进行迁移学习
迁移学习是机器学习领域的一种新潮流，TensorFlow提供了经过基准测试的预训练模型，可以很容易地针对所需的用例进行扩展。
base_model = tf.keras.applications.MobileNetV2( input_shape=IMG_SHAPE, include_top=False, weights='imagenet' )
可以使用附加层或不同的模型轻松扩展这个base_model。如：
model = tf.keras.Sequential([ base_model, global_average_layer, prediction_layer ])
有关tf.keras.applications下其他模型或模块的详细列表，请参阅docs页面。
5. Estimators
Estimator是TensorFlow完整模型的高级表示，其设计目的是易于缩放和异步训练。
内置的estimators提供了非常高级的模型抽象，因此您可以直接专注于训练模型，而不必担心其复杂性。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有许多内置的estimators，包括LinearRegressor，BoostedTreesClassifier等。Estimators也可以自定义。
6. 自定义层
神经网络是已知的多层网络，其中的层可以是不同的类型。TensorFlow包含许多预定义层(例如Dense，LSTM等)。但是对于更复杂的架构，层的逻辑可能会复杂得多。TensorFlow允许构建自定义层，这可以通过对tf.keras.layers.Layer类进行子类化来完成。
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)
实现自定义层的最佳方法是扩展tf.keras.Layer类：
- __init__，可以进行所有与输入无关的初始化。
- build，您可以了解输入张量的形状，并可以进行其余的初始化。
- call，进行forward计算。
尽管可以在__init__中完成核初始化，但最好在build中进行初始化，否则，您将必须在新层创建的每个实例上显式指定input_shape。
7. 定制训练
tf.keras序列和模型API使训练模型更容易。但是，大多数时候在训练复杂模型时会使用自定义损失函数。此外，模型训练也可以不同于缺省值(例如，将梯度分别应用于不同的模型组件)。
TensorFlow的自动微分有助于高效地计算梯度。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)
可以针对多个epochs重复此循环，并且可以根据用例使用其他自定义的设置。
8. 检查点
保存TensorFlow模型可以有两种类型：
- SavedModel：保存模型的完整状态以及所有参数。
model.save_weights('checkpoint') 检查点(Checkpoints)检查点捕获机器学习模型使用的所有参数的精确值。使用Sequential API或Model API构建的机器学习模型可以简单地以SavedModel格式进行保存。
但是，对于自定义模型，需要设置检查点。
检查点不包含模型定义的计算的任何描述，因此通常只有在源代码可用时才有用。
保存检查点：
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()
加载检查点：
TensorFlow通过遍历具有命名边的有向图(从加载的对象开始)，将变量匹配到检查点值。
if ckpt_manager.latest_checkpoint: ckpt.restore(ckpt_manager.latest_checkpoint)
9. Keras Tuner
这是TensorFlow中的一个相当新的功能。
!pip install keras-tuner
超参数调优是挑选参数的过程，这些参数定义了机器学习模型的配置，这些是特征工程和机器学习模型性能的决定因素。
# 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也可用于调优。
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，利用最优超参数对模型进行训练：
model = tuner.hypermodel.build(best_hps) model.fit( img_train, label_train, epochs=10, validation_data=(img_test, label_test) )
10. 分布式训练
如果你有多个GPU，并希望通过将训练分散在多个GPU上来优化训练，TensorFlow的各种分布式训练策略能够优化GPU的使用，并为你在GPU上进行训练。
tf.distribute.MirroredStrategy是最常用的策略。它是如何工作的呢?
- 所有变量和模型图都复制到副本上。
- 输入均匀地分布在各个副本上。
- 每个副本都为其接收的输入计算损失和梯度。
- 梯度是通过对所有副本求和来同步的。
- 同步之后，对每个副本上的变量副本进行相同的更新。
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'] )