##########################################2020.0430
一时感想：最有效的模型，可能往往是你最不看好的简单模型，less is more
降低深度学习模型过拟合的方法
1.增加更多数据
2.使用数据增广技术（增加训练数据集，让数据集尽可能的多样化。目前数据增广主要包括：水平/垂直翻转，旋转，缩放，裁剪，剪切，平移，对比度，色彩抖动，噪声等https://zhuanlan.zhihu.com/p/43665254）
3.使用归纳性更好的架构
4.正规化数据
5.降低架构复杂度
##########################################
如何在2.0下运行1.x
import tensorflow.compat.v1 as tf tf.disable_v2_behavior()
#################################
基本的tf的流程来一套
作者：Doit 链接：https://www.zhihu.com/question/315403804/answer/679554916 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 1.导入tf.kerastensorflow2推荐使用keras构建网络，常见的神经网络都包含在keras.layer中(最新的tf.keras的版本可能和keras不同)import tensorflow as tf from tensorflow.keras import layers print(tf.__version__) print(tf.keras.__version__)2.构建简单模型2.1模型堆叠最常见的模型类型是层的堆叠：tf.keras.Sequential 模型model = tf.keras.Sequential() model.add(layers.Dense(32, activation='relu')) model.add(layers.Dense(32, activation='relu')) model.add(layers.Dense(10, activation='softmax'))2.2网络配置tf.keras.layers中网络配置：activation：设置层的激活函数。此参数由内置函数的名称指定，或指定为可调用对象。默认情况下，系统不会应用任何激活函数。kernel_initializer 和 bias_initializer：创建层权重（核和偏差）的初始化方案。此参数是一个名称或可调用对象，默认为 "Glorot uniform" 初始化器。kernel_regularizer 和 bias_regularizer：应用层权重（核和偏差）的正则化方案，例如 L1 或 L2 正则化。默认情况下，系统不会应用正则化函数。layers.Dense(32, activation='sigmoid') layers.Dense(32, activation=tf.sigmoid) layers.Dense(32, kernel_initializer='orthogonal') layers.Dense(32, kernel_initializer=tf.keras.initializers.glorot_normal) layers.Dense(32, kernel_regularizer=tf.keras.regularizers.l2(0.01)) layers.Dense(32, kernel_regularizer=tf.keras.regularizers.l1(0.01))3.训练和评估3.1设置训练流程构建好模型后，通过调用 compile 方法配置该模型的学习流程：model = tf.keras.Sequential() model.add(layers.Dense(32, activation='relu')) model.add(layers.Dense(32, activation='relu')) model.add(layers.Dense(10, activation='softmax')) model.compile(optimizer=tf.keras.optimizers.Adam(0.001), loss=tf.keras.losses.categorical_crossentropy, metrics=[tf.keras.metrics.categorical_accuracy])3.2输入Numpy数据import numpy as np train_x = np.random.random((1000, 72)) train_y = np.random.random((1000, 10)) val_x = np.random.random((200, 72)) val_y = np.random.random((200, 10)) model.fit(train_x, train_y, epochs=10, batch_size=100, validation_data=(val_x, val_y))3.3tf.data输入数据dataset = tf.data.Dataset.from_tensor_slices((train_x, train_y)) dataset = dataset.batch(32) dataset = dataset.repeat() val_dataset = tf.data.Dataset.from_tensor_slices((val_x, val_y)) val_dataset = val_dataset.batch(32) val_dataset = val_dataset.repeat() model.fit(dataset, epochs=10, steps_per_epoch=30, validation_data=val_dataset, validation_steps=3)3.4评估与预测test_x = np.random.random((1000, 72)) test_y = np.random.random((1000, 10)) model.evaluate(test_x, test_y, batch_size=32) test_data = tf.data.Dataset.from_tensor_slices((test_x, test_y)) test_data = test_data.batch(32).repeat() model.evaluate(test_data, steps=30) # predict result = model.predict(test_x, batch_size=32) print(result)4.构建高级模型4.1函数式apitf.keras.Sequential 模型是层的简单堆叠，无法表示任意模型。使用 Keras 函数式 API 可以构建复杂的模型拓扑，例如：多输入模型，多输出模型，具有共享层的模型（同一层被调用多次），具有非序列数据流的模型（例如，残差连接）。使用函数式 API 构建的模型具有以下特征：层实例可调用并返回张量。 输入张量和输出张量用于定义 tf.keras.Model 实例。 此模型的训练方式和 Sequential 模型一样。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)4.2模型子类化通过对 tf.keras.Model 进行子类化并定义您自己的前向传播来构建完全可自定义的模型。在 init 方法中创建层并将它们设置为类实例的属性。在 call 方法中定义前向传播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)4.3自定义层通过对 tf.keras.layers.Layer 进行子类化并实现以下方法来创建自定义层：build：创建层的权重。使用 add_weight 方法添加权重。call：定义前向传播。compute_output_shape：指定在给定输入形状的情况下如何计算层的输出形状。 或者，可以通过实现 get_config 方法和 from_config 类方法序列化层。class MyLayer(layers.Layer): def __init__(self, output_dim, **kwargs): self.output_dim = output_dim super(MyLayer, self).__init__(**kwargs) def build(self, input_shape): shape = tf.TensorShape((input_shape[1], self.output_dim)) self.kernel = self.add_weight(name='kernel1', shape=shape, initializer='uniform', trainable=True) super(MyLayer, self).build(input_shape) def call(self, inputs): return tf.matmul(inputs, self.kernel) def compute_output_shape(self, input_shape): shape = tf.TensorShape(input_shape).as_list() shape[-1] = self.output_dim return tf.TensorShape(shape) def get_config(self): base_config = super(MyLayer, self).get_config() base_config['output_dim'] = self.output_dim return base_config @classmethod def from_config(cls, config): return cls(**config) model = tf.keras.Sequential( [ MyLayer(10), layers.Activation('softmax') ]) 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)4.3回调callbacks = [ tf.keras.callbacks.EarlyStopping(patience=2, monitor='val_loss'), tf.keras.callbacks.TensorBoard(log_dir='./logs') ] model.fit(train_x, train_y, batch_size=16, epochs=5, callbacks=callbacks, validation_data=(val_x, val_y))5保持和恢复5.1权重保存model = tf.keras.Sequential([ layers.Dense(64, activation='relu'), layers.Dense(10, activation='softmax')]) model.compile(optimizer=tf.keras.optimizers.Adam(0.001), loss='categorical_crossentropy', metrics=['accuracy']) model.save_weights('./weights/model') model.load_weights('./weights/model') model.save_weights('./model.h5') model.load_weights('./model.h5')5.2保存网络结构# 序列化成json import json import pprint json_str = model.to_json() pprint.pprint(json.loads(json_str)) fresh_model = tf.keras.models.model_from_json(json_str) # 保持为yaml格式 #需要提前安装pyyaml yaml_str = model.to_yaml() print(yaml_str) fresh_model = tf.keras.models.model_from_yaml(yaml_str)5.3保存整个模型model = tf.keras.Sequential([ layers.Dense(10, activation='softmax', input_shape=(72,)), layers.Dense(10, activation='softmax') ]) model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) model.fit(train_x, train_y, batch_size=32, epochs=5) model.save('all_model.h5') model = tf.keras.models.load_model('all_model.h5')6.将keras用于EstimatorEstimator API 用于针对分布式环境训练模型。它适用于一些行业使用场景，例如用大型数据集进行分布式训练并导出模型以用于生产model = tf.keras.Sequential([layers.Dense(10,activation='softmax'), layers.Dense(10,activation='softmax')]) model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001), loss='categorical_crossentropy', metrics=['accuracy']) estimator = tf.keras.estimator.model_to_estimator(model)
cnn和lstm怎么对接啊？cnn输出4维的，lstm要求输入3维的
长宽合并啊，AttnGAN那篇论文然后lstm里边第二个维度是通道还需要转置一下。
我感觉理解下来就是units是每一个绿色的cell里面，有四个黄色框，每一个黄色框有units个神经元 并不是一行有多少个lstm cell，官方文档给出的input shape是3维: (Batch_size, Time_step, Input_Sizes), 其中Time_step是时间序列的长度, 对应到语句里就是语句的最大长度; Input_Sizes是每个时间点输入x的维度, 对于语句来说,就是一个字的embedding的向量维度. input = Input(shape=(100,), dtype='float32', name='main_input') lstm1 = Bidirectional(LSTM(100, return_sequences=True))(input) dropout1 = Dropout(0.2)(lstm1) lstm2 = Bidirectional(LSTM(100, return_sequences=True))(dropout1) lstm3 = Bidirectional(LSTM(100))(lstm2) dropout2 = Dropout(0.2)(lstm3) output = Dense(242, activation="softmax", name="main_output")(dropout2) 在给出的例子里, shape=(100, ), 没有定义batch_size和Input_Sizes. 另外, input_length指的也是输入句子的长度,即Time_step. 如下两种定义方式,表达的内容相同: model = Sequential() model.add(LSTM(32, batch_input_shape=(None, 10, 64))) model = Sequential() model.add(LSTM(32, input_length=10, input_dim=64)) LSTM的第一个参数units此处设置为100, 指的不是一层LSTM有100个LSTM单元. 在很多LSTM的框图里,会将LSTM单元按时间顺序排开, 句子长度多少就设置多少单元,实际上一层LSTM每个"单元"共享参数, 所以其实只有一个单元的参数量. LSTMCell也实际上指的是一层LSTM. 这里的units=100指的是这个LSTM单元内的隐藏层尺寸. 如下图所示,每个单元内会有三个门,对应了4个激活函数(3个 sigmoid,1个tanh), 即有4个神经元数量为100的前馈网络层. ———————————————— 可以看到中间的 cell 里面有四个黄色小框，你如果理解了那个代表的含义一切就明白了，每一个小黄框代表一个前馈网络层，对，就是经典的神经网络的结构，num_units就是这个层的隐藏神经元个数，就这么简单。其中1、2、4的激活函数是 sigmoid，第三个的激活函数是 tanh。
如果隐层结点数过少，网络不能具有必要的学习能力和信息处理能力。反之，若过多，不仅会大大增加网络结构的复杂性（这一点对硬件实现的网络尤其重要），网络在学习过程中更易陷入局部极小点，而且会使网络的学习速度变得很慢。隐层结点数的选择问题一直受到神经网络研究工作者的高度重视。 方法1： fangfaGorman指出隐层结点数s与模式数N的关系是：s＝log2N； 方法二： Kolmogorov定理表明，隐层结点数s＝2n＋1（n为输入层结点数）； 方法三： s＝sqrt（0.43mn＋0.12nn＋2.54m＋0.77n＋0.35）＋0.51 （m是输入层的个数，n是输出层的个数）。
verbose用来显示进度
- compile 装载
- 指定 optimizer。 Adam和SGD比较多
- 指定 loss mse均方误差 mae平均绝对误差 mape平均绝对百分比误 msle均方对数误差 squared_hinge hinge(最常用在 SVM 中的最大化间隔分类中) binary_crossentropy对数损失函数,与sigmoid相对应的损失函数。 categorical_crossentropy多分类的对数损失函数，与softmax分类器相对应的损失函数(需要将标签转化为形如
(nb_samples, nb_classes)的二值序列) sparse_categorical_crossentrop(使用该函数时仍然需要你的标签与输出值的维度相同，你可能需要在标签数据上增加一个维度：np.expand_dims(y,-1)) kullback_leibler_divergence cosine_proximity - 指定 评估标准metrics 输出:loss,acc mae … val_loss…val_acc… val_mae) 损失函数和准确率函数可由自己改写:
- fit 完成标准 train
- 指定 训练集 db
- 指定 epochs
- 指定 validation_data 测试集
- 指定 validation_freq 测试频率 可以提前停机停止训练 保存
补充在前：实际上在我使用LSTM为流量基线建模时候，发现有效的激活函数是elu、relu、linear、prelu、leaky_relu、softplus，对应的梯度算法是adam、mom、rmsprop、sgd，效果最好的组合是：prelu+rmsprop。
Optimizers:
SGD： 学习率, 动量，学习规则设为step就好; NAG: 学习率，动量，学习规则设为step就好; AdaGrad: 学习率=0.001， 学习规则为INV 参数设置power 0.75 gama0.5； AdaDelta：学习率=1 ， 学习规则fix RMSprop：学习率=0.001， 学习规则 INV or poly adam： 学习率=0.001， 学习规则 INV or poly, sigmoid
SGD()(with or without momentum) 相关链接RMSprop()Adam()- etc.
Losses:
MeanSquaredError()KLDivergence()CosineSimilarity()- etc.
Metrics:
AUC()Precision()Recall()- etc.