在本文中，我们将探讨TensorFlow2.0的10个特性。1（一）。用于构建输入管道的tf.dataAPI从张量构建管道：>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1])>>>iter(dataset.next().numpy()8BatchandShuffle:#Shuffle>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).shuffle(6)>>>iter(dataset).next().numpy()0#Batch>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).batch(2)>>>iter(dataset).next().numpy()array([8,3],dtype=int32)#ShuffleandBatch>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1].shuffle(6).batch(2)>>>iter(dataset).next().numpy()array([3,0],dtype=int32)压缩两个数据集：>>>dataset0=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1])>>>dataset1=tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6])>>>dataset=tf.data.Dataset.zip((dataset0,dataset1))>>>iter(dataset).next()(,)映射外部函数：definto_2(num):返回num*2>>>dataset=tf.data.Dataset.from_tensor_slices([8,3,0,8,2,1]).map(into_2)>>>iter(dataset).next().numpy()161(b)。ImageDataGenerator这是tensorflow.kerasAPI的最佳特性之一。ImageDataGenerator可以在批处理和预处理过程中实时生成数据集切片和数据扩充。生成器允许直接从目录或数据帧访问数据流。关于ImageDataGenerator中的数据扩充的一个误解是它向现有数据集添加了更多数据。虽然这是数据增强的实际定义，但在ImageDataGenerator中，数据集中的图像在训练过程中的不同步骤动态转换，以便模型可以在它没有看到的数据上进行训练。train_datagen=ImageDataGenerator(rescale=1./255,shear_range=0.2,zoom_range=0.2,horizo??ntal_flip=True)在这里，所有样本都被重新缩放（用于归一化），而其他参数用于增强。train_generator=train_datagen.flow_from_directory('data/train',target_size=(150,150),batch_size=32,class_mode='binary')我们指定实时数据流的目录。这也可以使用数据帧来完成。train_generator=flow_from_dataframe(dataframe,x_col='filename',y_col='class',class_mode='categorical',batch_size=32)其中x_col参数定义了图片的全路径，y_col参数定义了分类的标签列。虽然需要指定steps_per_epoch参数，但实际上是number_of_samples//batch_size。model.fit(train_generator,validation_data=val_generator,epochs=EPOCHS,steps_per_epoch=(num_samples//batch_size),validation_steps=(num_val_samples//batch_size))2.使用tf.image进行数据增强在数据不足的情况下，将数据进行更改并将它们视为单独的数据点是一种使用较少数据进行训练的非常有效的方法。tf.imageAPI具有用于转换图像的工具，请参见以下Python示例：flipped=tf.image.flip_left_right(image)visualise(image,flipped)saturated=tf.image.adjust_saturation(image,5)visualise(image,saturated)rotated=tf.image.rot90(image)visualise(image,rotated)cropped=tf.image.central_crop(image,central_fraction=0.5)visualise(image,cropped)3.TensorFlow数据集pipinstalltensorflow-datasets这是一个非常有用的库，因为它包括由tensorflow收集的众所周知的数据集。importtensorflow_datasetsastfdsmnist_data=tfds.load("mnist")mnist_train,mnist_test=mnist_data["train"],mnist_data["test"]assertisinstance(mnist_train,tf.data.Dataset)可以找到tensorflow-datasets中可用数据集的详细列表在文档的数据集页面上。音频、图像、图像分类、对象检测、结构化、摘要、文本、翻译、视频都是tfds提供的类型。4.使用预训练模型进行迁移学习迁移学习是机器学习领域的新趋势，TensorFlow提供了基准预训练模型，可以轻松扩展到所需用例。base_model=tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,include_top=False,weights='imagenet')这个base_model可以很容易地用额外的层或不同的模型来扩展。如：model=tf.keras.Sequential([base_model,global_average_layer,prediction_layer])tf.keras.applications下的其他模型或模块的详细列表，请参考文档页面。5.EstimatorsEstimators是完整TensorFlow模型的高级表示，专为轻松扩展和异步训练而设计。内置的估计器提供了非常高级的模型抽象，因此您可以直接专注于模型的训练，而不必担心其复杂性。例如：linear_est=tf.estimator.LinearClassifier(feature_columnsfeature_columns=feature_columns)linear_est.train(train_input_fn)result=linear_est.evaluate(eval_input_fn)TensorFlow有很多内置的估计器，包括LinearRegressor、BoostedTreesClassifier等，估计器也可以自定义。6.自定义层神经网络是已知的多层网络，其中层可以是不同类型的。TensorFlow包括许多预定义的层（例如Dense、LSTM等）。但是对于更复杂的架构，层的逻辑可能要复杂得多。TensorFlow允许构建自定义层，这可以通过子类化tf.keras.layers.Layer类来完成。classCustomDense(tf.keras.layers.Layer):def__init__(self,num_outputs):super(CustomDense,self).__init__()self.num_outputs=num_outputsdefbuild(self,input_shape):selfself.kernel=self.add_weight("内核",shape=[int(input_shape[-1]),self.num_outputs])defcall(self,input):returntf.matmul(input,self.kernel)实现自定义层的最佳方式是扩展tf.keras。LayerClass：__init__，可以做所有与输入无关的初始化。build，你知道输入张量的形状并且可以做剩下的初始化。调用，执行正向计算。虽然内核初始化可以在__init__中完成，但最好在构建中进行，否则您将必须在新层创建的每个实例上显式指定input_shape。7.自定义训练tf.keras序列和模型API，让训练模型更简单。但是，大多数时候在训练复杂模型时会使用自定义损失函数。此外，模型训练也可能不同于默认值（例如，分别将梯度应用于不同的模型组件）。TensorFlow的自动微分有助于高效地计算梯度。Python示例如下：deftrain(model,inputs,outputs,learning_rate):withtf.GradientTape()ast:#ComputingLossesfromModelPredictioncurrent_loss=loss(outputs,model(inputs))#GradientsforTrainableVariableswithObtainedLossesdW,db=t.gradient(current_loss,[model.W,model.b])#ApplyingGradientstoWeightsmodel.W.assign_sub(learning_rate*dW)model.b.assign_sub(learning_rate*db)这个循环可以重复多个epoch，也可以根据用例使用其他自定义设置.8.Checkpoint保存TensorFlow模型可以有两种：SavedModel：保存模型的完整状态和所有参数。model.save_weights('checkpoint')检查点检查点捕获机器学习模型使用的所有参数的准确值。使用SequentialAPI或ModelAPI构建的机器学习模型可以轻松保存为SavedModel格式。但是，对于自定义模型，需要设置检查点。检查点不包含模型定义的计算的任何描述，因此通常仅在源代码可用时才有用。保存检查点：checkpoint_path="save_path"#DefiningaCheckpointckpt=tf.train.Checkpoint(modelmodel=model,optimizeroptimizer=optimizer)#CreatingaCheckpointManagerObjectckpt_manager=tf.train.CheckpointManager(ckpt,checkpoint_path,max_to_keep=5)#LoadingmanaganaModelerckCheckpoint:TensorFlow将变量匹配到通过遍历具有命名边的有向图（从加载的对象开始）来检查点值。ifckpt_manager.latest_checkpoint:ckpt.restore(ckpt_manager.latest_checkpoint)9.KerasTuner这是TensorFlow中的一个相当新的功能。!pipinstallkeras-tuner超参数调整是选择定义机器学习模型配置的参数的过程，这些参数是特征工程和机器学习模型性能的决定因素。#model_builderisafunctionthatbuildsamodelandreturnsittuner=kt.Hyperband(model_builder,objective='val_accuracy',max_epochs=10,factor=3,directory='my_dir',project_name='intro_to_kt')除了HyperBand，贝叶斯优化和随机搜索也可以用于调优.tuner.search(img_train,label_train,epochs=10,validation_data=(img_test,label_test),callbacks=[ClearTrainingOutput()])#Gettheoptimalhyperparametersbest_hps=tuner.get_best_hyperparameters(num_trials=1)[0]然后，使用最优的超参数来Modeltraining:model=tuner.hypermodel.build(best_hps)model.fit(img_train,label_train,epochs=10,validation_data=(img_test,label_test))10.分布式训练如果你有多个GPU并且想通过训练分布在多个用于优化训练的GPU。TensorFlow的各种分布式训练策略可以优化GPU使用并为您在GPU上进行训练。tf.distribute.MirroredStrategy是最常用的策略。它是如何工作的？所有变量和模型图都复制在副本上。输入在副本之间均匀分布。每个副本计算它接收到的输入的损失和梯度。通过对所有副本求和来同步梯度。同步后，对每个副本上的变量副本进行相同的更新。策略=tf.distribute.MirroredStrategy()withstrategy.scope():model=tf.keras.Sequential([tf.keras.layers.Conv2D(32,3,activation='relu',input_shape=(28,28,1)),tf.keras.layers.MaxPooling2D(),tf.keras.layers.Flatten(),tf.keras.layers.Dense(64,activation='relu'),tf.keras.layers.Dense(10)])model.compile(loss="sparse_categorical_crossentropy",optimizer="adam",metrics=['accuracy'])最后，TensorFlow足以构建机器学习管道的几乎所有组件。本教程的主要内容是介绍TensorFlow提供的各种API，以及如何使用这些API的快速指南。
