背景
tensorflow2.0 相比于1.0 有很大变化,1.0版本的placeholder,Session都没有了,2.0版本强推使用keras。keras是一个比较高层的api,确实挺好用的,一些基本模型使用起来很方便,本文主要写了几种常用场景下的编程规范指南,都是自己总结出来的如果大家有更好的想法可以在评论中留言。
目的
编程规范的目的是,从构架速度、清晰、可扩展几个方面考虑。
编程规范
- 比较简单的顺序模型
比较简单的模型直接使用Sequential比较好,也可以使用Model构建 - 较复杂的模型
一般指有多输入都输出,共享某些层等的情况。
使用keras.Model
keras.Model必须有输入层,输出层,当构建一个Model的对象时,这个对象可以看成一个层,如果想将这个层用于另一个Model,必须重新定义输入层。举个例子:1 import tensorflow as tf 2 3 try: 4 import tensorflow.python.keras as keras 5 except: 6 import tensorflow.keras as keras 7 import numpy as np 8 9 X = np.linspace(0, 1.0, 100) 10 y = X ** 2 + 1.0 11 X = np.reshape(X, (-1, 1)) 12 13 m_in = keras.layers.Input(shape=(1,)) 14 h1 = keras.layers.Dense(units=10, activation="relu") 15 out = keras.layers.Dense(units=1, activation="relu") 16 17 h = h1(m_in) 18 h = out(h) 19 model1 = keras.Model(inputs=m_in, outputs=h) 20 21 m2_in = keras.layers.Input(shape=(h.shape[1],)) 22 h2 = keras.layers.Dense(units=12) 23 h3 = keras.layers.Dense(units=1) 24 h = h2(m2_in) 25 h = h3(h) 26 27 model2 = keras.Model(inputs=m2_in, outputs=h) 28 # model2.summary() 29 30 31 32 m_in = keras.layers.Input(shape=(1,)) 33 h = model1(m_in) 34 out = model2(h) 35 36 model3 = keras.Model(inputs=m_in, outputs=out) 37 model3.summary()
关于Tensorflow2.0中Tensor类的问题,使用tf.shape获得的Tensor对象是没有numpy属性的。