快捷導(dǎo)航

tensorflow之自定義神經(jīng)網(wǎng)絡(luò)層實例

更新時間：2020年02月07日 16:30:28 作者：大雄沒有叮當(dāng)貓

今天小編就為大家分享一篇tensorflow之自定義神經(jīng)網(wǎng)絡(luò)層實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

如下所示：

import tensorflow as tf
tfe = tf.contrib.eager

tf.enable_eager_execution()

大多數(shù)情況下，在為機器學(xué)習(xí)模型編寫代碼時，您希望在比單個操作和單個變量操作更高的抽象級別上操作。

1.關(guān)于圖層的一些有用操作

許多機器學(xué)習(xí)模型可以表達(dá)為相對簡單的圖層的組合和堆疊，TensorFlow提供了一組許多常用圖層，以及您從頭開始或作為組合創(chuàng)建自己的應(yīng)用程序特定圖層的簡單方法。TensorFlow在tf.keras包中包含完整的Keras API，而Keras層在構(gòu)建自己的模型時非常有用。

#在tf.keras.layers包中，圖層是對象。要構(gòu)造一個圖層，只需構(gòu)造一個對象。大多數(shù)層將輸出維度/通道的數(shù)量作為第一個參數(shù)。
layer=tf.keras.layers.Dense(100)
#輸入維度的數(shù)量通常是不必要的，因為它可以在第一次使用圖層時推斷出來，但如果您想手動指定它，則可以提供它，這在某些復(fù)雜模型中很有用。
layer=tf.keras.layers.Dense(10,input_shape=(None,5))
#調(diào)用層
layer(tf.zeros([10,5]))
 

#圖層有許多有用的方法。例如，您可以通過調(diào)用layer.variables來檢查圖層中的所有變量。在這種情況下，完全連接的層將具有權(quán)重和偏差的變量。
variable=layer.variables
# variable[0]
layer.kernel.numpy()
layer.bias

2.自定義圖層

實現(xiàn)自己的層的最佳方法是擴展tf.keras.Layer類并實現(xiàn)：

__init__，您可以在其中執(zhí)行所有與輸入無關(guān)的初始化

build方法，您知道輸入張量的形狀，并可以進(jìn)行其余的初始化

call方法，在這里進(jìn)行正向傳播計算

請注意，您不必等到調(diào)用build來創(chuàng)建變量，您也可以在__init__中創(chuàng)建它們。但是，在build中創(chuàng)建它們的優(yōu)點是它可以根據(jù)圖層將要操作的輸入的形狀啟用后期變量創(chuàng)建。另一方面，在__init__中創(chuàng)建變量意味著需要明確指定創(chuàng)建變量所需的形狀。

class MyDenseLayer(tf.keras.layers.Layer):
 def __init__(self, num_outputs):
  super(MyDenseLayer, self).__init__()
  self.num_outputs = num_outputs
  
 def build(self, input_shape):
  self.kernel = self.add_variable("kernel", 
                  shape=[input_shape[-1].value, 
                      self.num_outputs])
  
 def call(self, input):
  return tf.matmul(input, self.kernel)
 
layer = MyDenseLayer(10)
print(layer(tf.zeros([10, 5])))
print(layer.variables)

3.搭建網(wǎng)絡(luò)結(jié)構(gòu)

機器學(xué)習(xí)模型中許多有趣的圖層是通過組合現(xiàn)有層來實現(xiàn)的。例如，resnet中的每個residual塊是卷積，批量標(biāo)準(zhǔn)化等的組合。

創(chuàng)建包含其他圖層的類似圖層的東西時使用的主類是tf.keras.Model。實現(xiàn)一個是通過繼承自tf.keras.Model完成的。

class ResnetIdentityBlock(tf.keras.Model):
 def __init__(self, kernel_size, filters):
  super(ResnetIdentityBlock, self).__init__(name='')
  filters1, filters2, filters3 = filters
 
  self.conv2a = tf.keras.layers.Conv2D(filters1, (1, 1))
  self.bn2a = tf.keras.layers.BatchNormalization()
 
  self.conv2b = tf.keras.layers.Conv2D(filters2, kernel_size, padding='same')
  self.bn2b = tf.keras.layers.BatchNormalization()
 
  self.conv2c = tf.keras.layers.Conv2D(filters3, (1, 1))
  self.bn2c = tf.keras.layers.BatchNormalization()
 
 def call(self, input_tensor, training=False):
  x = self.conv2a(input_tensor)
  x = self.bn2a(x, training=training)
  x = tf.nn.relu(x)
 
  x = self.conv2b(x)
  x = self.bn2b(x, training=training)
  x = tf.nn.relu(x)
 
  x = self.conv2c(x)
  x = self.bn2c(x, training=training)
 
  x += input_tensor
  return tf.nn.relu(x)
 
  
block = ResnetIdentityBlock(1, [1, 2, 3])
print(block(tf.zeros([1, 2, 3, 3])))
print([x.name for x in block.variables])

以上這篇tensorflow之自定義神經(jīng)網(wǎng)絡(luò)層實例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: