【小白学PyTorch】18.TF2构建自定义模型
共 4159字,需浏览 9分钟
·
2020-10-06 10:00
扩展之Tensorflow2.0 | 17 TFrec文件的创建与读取
扩展之Tensorflow2.0 | 16 TF2读取图片的方法
扩展之Tensorflow2.0 | 15 TF2实现一个简单的服装分类任务
小白学PyTorch | 14 tensorboardX可视化教程
小白学PyTorch | 13 EfficientNet详解及PyTorch实现
小白学PyTorch | 12 SENet详解及PyTorch实现
小白学PyTorch | 11 MobileNet详解及PyTorch实现
小白学PyTorch | 9 tensor数据结构与存储结构
小白学PyTorch | 7 最新版本torchvision.transforms常用API翻译与讲解
小白学PyTorch | 6 模型的构建访问遍历存储(附代码)
小白学PyTorch | 5 torchvision预训练模型与数据集全览
小白学PyTorch | 3 浅谈Dataset和Dataloader
参考目录:
1 创建自定义网络层
2 创建一个完整的CNN
2.1 keras.Model vs keras.layers.Layer
之前讲过了如何用tensorflow构建数据集,然后这一节课讲解如何用Tensorflow2.0来创建模型。
TF2.0中创建模型的API基本上都放到了它的Keras中了,Keras可以理解为TF的高级API,里面封装了很多的常见网络层、常见损失函数等。后续会详细介绍keras的全面功能,本篇文章讲解如何构建模型。
1 创建自定义网络层
import tensorflow as tf
import tensorflow.keras as keras
class MyLayer(keras.layers.Layer):
def __init__(self, input_dim=32, output_dim=32):
super(MyLayer, self).__init__()
w_init = tf.random_normal_initializer()
self.weight = tf.Variable(
initial_value=w_init(shape=(input_dim, output_dim), dtype=tf.float32),
trainable=True) # 如果是false则是不参与梯度下降的变量
b_init = tf.zeros_initializer()
self.bias = tf.Variable(initial_value=b_init(
shape=(output_dim), dtype=tf.float32), trainable=True)
def call(self, inputs):
return tf.matmul(inputs, self.weight) + self.bias
x = tf.ones((3,5))
my_layer = MyLayer(input_dim=5,
output_dim=10)
out = my_layer(x)
print(out.shape)
>>> (3, 10)
这个就是定义了一个TF的网络层,其实可以看出来和PyTorch定义的方式非常的类似:
这个类要继承 tf.keras.layers.Layer
,这个pytorch中要继承torch.nn.Module
类似;网络层的组件在 __def__
中定义,和pytorch的模型类相同;call()
和pytorch中的forward()
的类似。
上面代码中实现的是一个全连接层的定义,其中可以看到使用tf.random_normal_initializer()
来作为参数的初始化器,然后用tf.Variable
来产生网络层中的权重变量,通过trainable=True
这个参数说明这个权重变量是一个参与梯度下降的可以训练的变量。
我通过tf.ones((3,5))
产生一个shape为[3,5]的一个全是1的张量,这里面第一维度的3表示有3个样本,第二维度的5就是表示要放入全连接层的数据(全连接层的输入是5个神经元);然后设置的全连接层的输出神经元数量是10,所以最后的输出是(3,10)。
2 创建一个完整的CNN
import tensorflow as tf
import tensorflow.keras as keras
class CBR(keras.layers.Layer):
def __init__(self,output_dim):
super(CBR,self).__init__()
self.conv = keras.layers.Conv2D(filters=output_dim, kernel_size=4, padding='same', strides=1)
self.bn = keras.layers.BatchNormalization(axis=3)
self.ReLU = keras.layers.ReLU()
def call(self, inputs):
inputs = self.conv(inputs)
inputs = self.ReLU(self.bn(inputs))
return inputs
class MyNet(keras.Model):
def __init__ (self,input_dim=3):
super(MyNet,self).__init__()
self.cbr1 = CBR(16)
self.maxpool1 = keras.layers.MaxPool2D(pool_size=(2,2))
self.cbr2 = CBR(32)
self.maxpool2 = keras.layers.MaxPool2D(pool_size=(2,2))
def call(self, inputs):
inputs = self.maxpool1(self.cbr1(inputs))
inputs = self.maxpool2(self.cbr2(inputs))
return inputs
model = MyNet(3)
data = tf.random.normal((16,224,224,3))
output = model(data)
print(output.shape)
>>> (16, 56, 56, 32)
这个是构建了一个非常简单的卷积网络,结构是常见的:卷积层+BN层+ReLU层。可以发现这里继承的一个tf.keras.Model
这个类。
2.1 keras.Model vs keras.layers.Layer
Model比Layer的功能更多,反过来说,Layer的功能更精简专一。
Layer:仅仅用作张量的操作,输入一个张量,输出也要求是一个张量,对张量的操作都可以用Layer来封装; Model:一个更加复杂的结构,由多个Layer组成。 Model的话,可以使用 .fit()
,.evaluate()
,.predict()
等方法来快速训练。保存和加载模型也是在Model这个级别进行的。
现在说一说上面的代码和pytorch中的区别,作为一个对比学习、也作为一个对pytorch的回顾:
卷积层Conv2D中,Keras中不用输入输入的通道数, filters
就是卷积后的输出特征图的通道数;而PyTorch的卷积层是需要输入两个通道数的参数,一个是输入特征图的通道数,一个是输出特征图的通道数;keras.layers.BatchNormalization(axis=3)
是BN层,这里的axis=3说明第三个维度(从0开始计数)是通道数,是需要作为批归一化的维度(这个了解BN算法的朋友应该可以理解吧,不了解的话去重新看我之前剖析BN层算法的那个文章吧,在文章末尾有相关链接)。pytorch的图像的四个维度是:
而tensorflow是:
总之,学了pytorch之后,再看keras的话,对照的keras的API,很多东西都直接就会了,两者的API越来越相似了。
上面最后输出是(16, 56, 56, 32)
,输入的是的维度,然后经过两个最大池化层,就变成了了。
到此为止,我们现在应该是可以用keras来构建模型了。
- END -往期精彩回顾
获取一折本站知识星球优惠券,复制链接直接打开:
https://t.zsxq.com/662nyZF
本站qq群704220115。
加入微信群请扫码进群(如果是博士或者准备读博士请说明):