[TensorFlow 2.0] Keras 简介

Keras 是一个用于构建和训练深度学习模型的高阶 API。它可用于快速设计原型、高级研究和生产。

keras的3个优点：方便用户使用、模块化和可组合、易于扩展

简单点说就是，简单、好用、快（构建）

引用方法：

import tensorflow as tf
from tensorflow.keras import layers

简单构建一个模型

先上代码

input_x = tf.keras.Input(shape=(72,))
hidden1 = layers.Dense(32, activation='relu')(input_x)
hidden2 = layers.Dense(16, activation='relu')(hidden1)
pred = layers.Dense(10, activation='softmax')(hidden2)

model = tf.keras.Model(inputs=input_x, outputs=pred)
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
             loss=tf.keras.losses.categorical_crossentropy,
             metrics=['accuracy'])
model.fit(train_x, train_y, batch_size=32, epochs=5)

tf.keras.Input

实例化一个 Keras tensor.

doc：
https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/keras/Input

方法定义如下：

tf.keras.Input(
    shape=None,
    batch_size=None,
    name=None,
    dtype=None,
    sparse=False,
    tensor=None,
    **kwargs
)

tf.keras.layers.Dense

定义你的神经网络
这里官方在文档里加了一个 “densely-connected”来形容

doc：
https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/keras/layers/Dense

tf.keras.Model

Model groups layers into an object with training and inference features.

额，不知道该怎么翻译了

我的理解就是把你的之前定义的网络给链接起来
跟上上面的代码可能不太好理解，等看后面把模型按照面向对象的思想构建的时候，就方便理解了。

当然，你可以自己去看下文档
doc：
https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/keras/Model

tf.keras.Model.compile

配置模型训练时的相关数据

配置模型训练时，使用的相关参数。
比如，学习率、loss 等等

doc:
https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/keras/Model#compile

model.fit

进行模型训练

doc：
https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/keras/Model#fit

模型-OOP

通过OOP的思想，进行设计我们的模型
先看代码

class MyModel(tf.keras.Model):
    def __init__(self, num_classes=10):
        super(MyModel, self).__init__(name='my_model')
        self.num_classes = num_classes
        self.layer1 = layers.Dense(32, activation='relu')
        self.layer2 = layers.Dense(num_classes, activation='softmax')
    def call(self, inputs):
        h1 = self.layer1(inputs)
        out = self.layer2(h1)
        return out
    
    def compute_output_shape(self, input_shape):
        shape = tf.TensorShape(input_shape).as_list()
        shape[-1] = self.num_classes
        return tf.TensorShape(shape)

model = MyModel(num_classes=10)
model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),
             loss=tf.keras.losses.categorical_crossentropy,
             metrics=['accuracy'])

model.fit(train_x, train_y, batch_size=16, epochs=5)

如果我们需要通过类来构造我们的模型，那么以下几点是必须的
1.继承tf.keras.Model
2.在__init__中调用以下父类，并构造我们的模型

super(MyModel, self).__init__(name='my_model')
self.num_classes = num_classes
self.layer1 = layers.Dense(32, activation='relu')
self.layer2 = layers.Dense(num_classes, activation='softmax')

3.在call中实现forward
4.compute_output_shape这个方法，在文档中，说明只有当模型修改了输入数据的形状时，才需要进行定义，否则没有必要。
但具体的效果，没有找到样例来参考。如果有懂得大神，希望举个例子。

模型保存

单独保存权重

model.save_weights('./weights/model')
model.load_weights('./weights/model')
model.save_weights('./model.h5')
model.load_weights('./model.h5')

单独保存模型结构

#json
model.to_json()
#yam
model.to_yaml()

保存整个模型

model.save('all_model.h5')