Tensorflow2.0 深度学习运行代码简单教程

之前写过Pytorch，现在工作需求用了Tensorflow2.0的框架，经过这段时间的学习，来总结下。Tensorflow2.0 提供了两种训练模式可以上手。

简单模式

Tensorflow深度学习简单模式，它的基本思想就是将所有的操作进行封装，能简单就简单，所以只要知道输入的数据格式和它的如何接收数据就好啦。

整理数据

# 引入包
import tensorflow as tf

# 做数据，tensorflow有个特别好的机制就是将常见的数据包封装起来
mnist = tf.keras.datasets.mnist

# 这里的x_train, y_train和x_test, y_test具体数据就是普通array类型
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

模型

Tensorflow 的语法总是封装好的，好多API都是封装好的，不用自己写，就是找到有点麻烦

# 这里的模型建立和pytorch的`Sequential`一样简单罗列，代码执行就是顺序执行
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

# 这里就是设置优化器，损失函数，以及指标参数
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

跑起来

跑起来就简单多了

# 训练
model.fit(x_train, y_train, epochs=5)
# 验证
model.evaluate(x_test,  y_test, verbose=2)

当然还可以自定义一些回调函数什么的，去控制早停，模型存储，学习率优化等等。

专家模式

专家模式有了好多我们自己可以设置的来一步步看看吧

整理数据

要注意的是Tensorflow 不像Pytorch一样数据是<x, y>一对一对地输出，它是一列x和一列y分开的。

# 引入包
import tensorflow as tf
import numpy as np
from tensorflow.keras.layers import Dense, Flatten, Conv2D
from tensorflow.keras import Model

# 做个最简单的数据
x = [i for i in range(1, 10000)]
y = [(i+1)*(i+2) for i in x]

# 在转变为Tensorflow的Tensor格式之前需要转换为numpy格式
x = np.array(x)
y = np.array(y)

# 这个就类似于Pytorch的Dataset
# batch就是batchsize
# shuffle是打乱数据顺序的程度
# map是可以对提出的数据进行二次加工

# 这里的输入要和from_tensor_slices((x, y))保持一致，输出随自己
def fun(x, y):
    return x, x+2, y

# 这里的ds就是Tensorflow存放数据的地方了，类似于Pytorch的DataLoader，可以用for循环打印
ds = tf.data.Dataset.from_tensor_slices((x, y)).batch(1000).shuffle(5000).map(fun)

模型

这个模型也是和Pytorch的差不多，不过需要是重写继承方法call，就是前向传播。

class MyModel(Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.d = Dense(32, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(32, activation='relu')
    self.d2 = Dense(10)

  # 在上面的map中出来的是两个x，这里也用两个参数进行接收
  def call(self, x, x1):
    x = self.d(x)
    x = self.flatten(x)
    x1 = self.d1(x1)
    return self.d2((x+x1))

# 创建一个模型实例
model = MyModel()

# 再定义优化器和损失函数
loss_object = tf.keras.losses.MeanSquaredError()
optimizer = tf.keras.optimizers.Adam()

# 损失存放
train_loss = tf.keras.metrics.Mean(name='train_loss')

跑起来

一般会定义一个训练方法，在方法前加@tf.function这句话，可以加快训练速度，但是不能打印数据流动的信息了。

@tf.function
def train_step(x, x1, y):
  with tf.GradientTape() as tape:
    # training=True is only needed if there are layers with different
    # behavior during training versus inference (e.g. Dropout).
    predictions = model(x, x1, training=True)
    loss = loss_object(y, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

  train_loss(loss)

# 走几个轮回
EPOCHS = 500

for epoch in range(EPOCHS):
  # Reset the metrics at the start of the next epoch
  train_loss.reset_states()
  
  for x, x1, y in ds:
    train_step(x, x1, y)
  print(
    f'Epoch {
      epoch + 1}, '
    f'Loss: {
      train_loss.result()}, '
  )

基本就是这样，Tensorflow的API特别丰富，熟悉了好多函数都不用自己写了，还是蛮方便的，但需要了解。