|
阅读代码是获得 TensorFlow (TF) 专业知识的一种有效方式。 在本文中，我们重用了 TensorFlow 教程中的示例，但我们保持它们的简洁性，并去掉了用于跟踪或演示目的的代码。 我们还将讨论保持在最低限度，以便您可以浏览尽可能多的示例以获得完整的图片。 如果你有问题，特别是在阅读了第一个示例之后，请先阅读本系列的文章。 然而，在大多数示例中，我们保留了示例所需的所有样板代码。 因此，如果需要，请跳过它们。 我们对代码使用照片的形式，因此你无法剪切和粘贴它们，因为可能会更改 TF API。 请参阅示例顶部的链接。 以下是使用 2020 年 12 月发布的 TF 2.4.0 测试的示例列表。
Keras MNIST 数据：使用dense层的序列模型 使用具有dense层的序列模型对 MNIST NumPy 数据进行分类。
模型概要：
Keras MINST 数据：使用 GradientTape 和数据集训练的自定义 CNN 模型类 在这个例子中，
首先，我们创建数据集并定义自定义 CNN 模型。
使用 GradientTape 和测试步骤进行自定义训练：
训练循环：
自定义层创建新模型参数 自定义层可以包含其他层和/或具有自己的层参数。 但是，在实例化时可能不知道输入形状。 一旦 TF 知道输入形状，例如通过第一次使用输入调用层，就会调用一个单独的方法“build”来创建参数。
过拟合 在这个例子中：
希格斯玻色子粒子的检测证明了希格斯场的存在，它为基本粒子（夸克、轻子等）提供了质量。 此示例预测事件的类别——“信号”或“背景”。 “信号”表示 4 轻子事件是由涉及希格斯玻色子的衰变发生的。 否则，它是不涉及希格斯玻色子的衰变的“背景”。 首先，我们使用 tf.data 加载一个 CSV 数据集。 每行包含标签和 28 个特征——21 个是粒子探测器测量的运动学特性，7 个是从这些测量中得出的。
创建一个特征和标签分开的数据集——ds 是批处理的，因此映射在单个操作中完成，然后再取消批处理。
创建训练和验证数据集——它使用“take”和“skip”来划分原始训练样本。
优化器将为优化器使用自定义学习率。
compile_and_fit 将配置训练并拟合模型。 我们还设置了回调来记录 TensorBoard 的数据。
我们建立了一个带有正则化和 dropout 的“组合”模型，以避免过度拟合。
最后，我们训练模型。
我们将此训练和模型（称为组合）的 TensorBoard 数据存储在 $tmp/tensorboard_logs/regularizers/combined 下。 我们可以在不同的director下训练不同的模型，比如正则化器/other_model。
我们可以使用 TensorBoard 在“正则化器”下查看此训练和其他训练的数据。
数据集Performance 为了提高数据集的性能，我们应该缓存和预取数据。 但是我们可能不需要洗牌验证或测试数据集。
保存和加载 在这个例子中，我们保存和恢复一个模型。 首先，我们有加载 MNIST 数据并创建密集模型的样板代码。
接下来，我们为 model.fit 创建一个回调来保存模型。 对于这些检查点，我们只保存权重。
这是创建的checkpoint。
我们可以实例化一个新模型并重新加载权重。
我们可以添加 epoch 编号作为checkpoint文件名的一部分，并且我们可以更改checkpoint的频率（以下每 5 个 epoch）。
这是 50 个 epoch 后的checkpoint。
我们可以加载最新的checkpoint：
要手动保存权重：
或者保存整个模型。 在后一种情况下，我们不需要 Python 代码来恢复模型。
checkpoint管理器 如果我们可以访问优化器和数据迭代器，就像在 GradientTape 中一样，我们可以使用 CheckpointManager 来保存检查点。 这是样板代码。
然后，我们可以配置一个 CheckpointManager。
这包括仅保留 max_to_keep Checkpoint的选项。
我们可以使用它来保存和恢复模型。
使用数据增强层对花朵进行分类 在此示例中，我们使用数据增强来提高模型性能。 准备训练和验证数据集：
使用 Keras 预处理层构建和训练模型：
测试：
使用数据集映射通过数据增强对花朵进行分类 我们使用数据集流水线中的映射来执行数据扩充。 在此示例中，我们执行调整大小、重新缩放、翻转和旋转。 这是用于创建数据集和扩充层的样板代码。
然后，我们使用数据集映射进行数据扩充。
这就是模型和训练。
迁移学习 这是在创建数据集时加载猫和狗图片的样板代码。
然后，我们构建了一个模型，其中包含数据增强层、MobileNet v2 的预处理层、预训练的 MobileNet v2 和分类头。 在迁移学习的第一部分，我们冻结 MobileNet v2 层（第 54 行）并仅训练分类头。 我们还将 MobileNet v2（第 65 行）的训练设置为 False，以便它将在推理模式下运行：将不应用 dropout 层，它使用原始训练均值和方差进行批量标准化。
接下来，我们训练模型，
现在，我们进入训练的第二阶段。 我们只会冻结 MobileNet v2 的前 100 层，并再次微调模型的其余部分。
一旦它再次被训练，我们就用它来预测测试图像。
图像分割 图像分割创建一个mask来分割一个对象。
首先，我们加载数据集并创建预处理层。
然后，我们创建数据集。
图像分割模型包含下采样层，然后是上采样层。 这是下采样。
和上采样部分。
上面更复杂的逻辑处理下采样层和上采样层之间的跳过连接——下采样层和下面的上采样层之间的水平连接具有相同的空间分辨率。
这是更精确的图表。
最后，我们训练模型并进行预测。
CSV 文件的回归：使用 Pandas 处理数据 此示例是一个简单的回归问题，用于根据 CSV 文件中包含的特征预测汽车的 MPG。 使用 Pandas 为 CSV 文件准备数据集：
可视化特征相互关系。
创建 training/testing features/labels.
创建具有Normalization层的模型以normalize每个特征。
fit、评估和预测：
保存并加载模型：
模型将保存为：
CSV 预处理 在这个例子中，我们将预测谁将在泰坦尼克号事故中幸存下来。 此示例演示如何预处理 CSV 数据。 首先，我们将从 CSV 文件加载数据。
我们收集所有数字字段，对其进行规范化，并将它们放入 preprocessed_inputs。
将所有类别字段转换为 one-hot 向量并将它们附加到 preprocessed_inputs 中。
Concatenate所有输入并创建预处理模型。
创建分类模型。 训练并做出预测。
|
