机器学习：TensorFlow 2.0中的10个技巧

在本文中，我们将探索TensorFlow 2.0的10个特性。

[[326673]]

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'] 
    ) 

最后

TensorFlow足以构建机器学习管道的几乎所有组件。本教程的主要内容是介绍TensorFlow提供的各种api，以及如何使用这些API的快速指南。