tensorflow(三十)：keras自定义网络实战

一、代码

import tensorflow as tf
from tensorflow.python.keras import datasets, layers, optimizers, Sequential, metrics
from tensorflow.python import keras
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
def preprocess(x, y):
    # [0~255] => [-1~1]
    x = tf.cast(x, dtype=tf.float32) / 255.
    y = tf.cast(y, dtype=tf.int32)
    return x,y


batchsz = 256
# [50k, 32, 32, 3], [10k, 1]
(x, y), (x_val, y_val) = datasets.cifar10.load_data()
y = tf.squeeze(y)
y_val = tf.squeeze(y_val)
y = tf.one_hot(y, depth=10) # [50k, 10]
y_val = tf.one_hot(y_val, depth=10) # [10k, 10]
print('datasets:', x.shape, y.shape, x_val.shape, y_val.shape, x.min(), x.max())

train_db = tf.data.Dataset.from_tensor_slices((x,y))
train_db = train_db.map(preprocess).shuffle(10000).batch(batchsz)
test_db = tf.data.Dataset.from_tensor_slices((x_val, y_val))
test_db = test_db.map(preprocess).batch(batchsz)

sample = next(iter(train_db))
print("batch: ", sample[0].shape, sample[1].shape)


# 下面新建一个网络对象，这里不再使用标准的layers.Dense方式，使用自己创建的类。
# 因为要使用一些标准的keras中的接口，这里要使用母类layers.Layer
# 这就是我们自定义的简单的线性层，只需要给入简单的：输入维度，输出维度
class MyDense(layers.Layer):
    # 去替代标准的 layers.Dense()
    def __init__(self, inp_dim, outp_dim):
        super(MyDense, self).__init__()

        self.kernel = self.add_variable('w', [inp_dim, outp_dim])
        # self.bias = self.add_variable('b', [outp_dim]) 这里自定义的，去掉了这个。

    def call(self, inputs, training=None):
        x = inputs @ self.kernel
        return x


# 实现自定义的层以后，现在实现自定义网络，这个网络包含了5层
# 首先MyNetwork是调用MyDense层，还可以调用其他的层来组成统一的网络结构。
class MyNetwork(keras.Model):
    
    def __init__(self):
        super(MyNetwork, self).__init__()
        self.fc1 = MyDense(32*32*3, 256)   #新建的5个网络层
        self.fc2 = MyDense(256, 128)
        self.fc3 = MyDense(128, 64)
        self.fc4 = MyDense(64, 32)
        self.fc5 = MyDense(32, 10)



    def call(self, inputs, training=None):
        """

        :param inputs: [b, 32, 32, 3]
        :param training:
        :return:
        """
        x = tf.reshape(inputs, [-1, 32*32*3])
        # [b, 32*32*3] => [b, 256]
        x = self.fc1(x)      # 会调用__call__方法 => call()
        x = tf.nn.relu(x)    #激活函数可以卸载MyDense里面。
        # [b, 256] => [b, 128]
        x = self.fc2(x)      # 会调用__call__方法 => call()
        x = tf.nn.relu(x)    #激活函数可以卸载MyDense里面。
        # [b, 128] => [b, 64]
        x = self.fc3(x)      # 会调用__call__方法 => call()
        x = tf.nn.relu(x)    #激活函数可以卸载MyDense里面。
        # [b, 64] => [b, 32]
        x = self.fc4(x)      # 会调用__call__方法 => call()
        x = tf.nn.relu(x)    #激活函数可以卸载MyDense里面。
        # [b, 32] => [b, 10]
        x = self.fc5(x)      # 会调用__call__方法 => call()

        return x

# 下面新建一个网络对象;这里是没有参数的。
network = MyNetwork()
# 得到network之后，我们把它装配起来。
network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])

network.fit(train_db, epochs=5, validation_data=test_db, validation_freq=1)

二、测试代码调整

为了提升准确率，如下调整！
把输入数据归一化到[-1, 1]；这里我们把它放在0-1之间其实不是最好的，[0~255] => [-1~1],这个范围可能是最适合神经网络优化的范围。
上面我们可以把参数量调大一些，训练起来效果可能会好一些。
epoch调整到100，这次使用服务器进行测试！

import tensorflow as tf
from tensorflow.python.keras import datasets, layers, optimizers, Sequential, metrics
from tensorflow.python import keras
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
def preprocess(x, y):
    #  #这里我们把它放在0-1之间其实不是最好的，[0~255] => [-1~1],这个范围可能是最适合的范围。
    x = 2 * tf.cast(x, dtype=tf.float32) / 255. -1.
    y = tf.cast(y, dtype=tf.int32)
    return x,y


batchsz = 256
# [50k, 32, 32, 3], [10k, 1]
(x, y), (x_val, y_val) = datasets.cifar10.load_data()
y = tf.squeeze(y)
y_val = tf.squeeze(y_val)
y = tf.one_hot(y, depth=10) # [50k, 10]
y_val = tf.one_hot(y_val, depth=10) # [10k, 10]
print('datasets:', x.shape, y.shape, x_val.shape, y_val.shape, x.min(), x.max())

train_db = tf.data.Dataset.from_tensor_slices((x,y))
train_db = train_db.map(preprocess).shuffle(10000).batch(batchsz)
test_db = tf.data.Dataset.from_tensor_slices((x_val, y_val))
test_db = test_db.map(preprocess).batch(batchsz)

sample = next(iter(train_db))
print("batch: ", sample[0].shape, sample[1].shape)


# 下面新建一个网络对象，这里不再使用标准的layers.Dense方式，使用自己创建的类。
# 因为要使用一些标准的keras中的接口，这里要使用母类layers.Layer
# 这就是我们自定义的简单的线性层，只需要给入简单的：输入维度，输出维度
class MyDense(layers.Layer):
    # 去替代标准的 layers.Dense()
    def __init__(self, inp_dim, outp_dim):
        super(MyDense, self).__init__()

        self.kernel = self.add_variable('w', [inp_dim, outp_dim])
        # self.bias = self.add_variable('b', [outp_dim]) 这里自定义的，去掉了这个。

    def call(self, inputs, training=None):
        x = inputs @ self.kernel
        return x


# 实现自定义的层以后，现在实现自定义网络，这个网络包含了5层
# 首先MyNetwork是调用MyDense层，还可以调用其他的层来组成统一的网络结构。
class MyNetwork(keras.Model):
    
    def __init__(self):
        super(MyNetwork, self).__init__()
        self.fc1 = MyDense(32*32*3, 256)   #新建的5个网络层
        self.fc2 = MyDense(256, 256)
        self.fc3 = MyDense(256, 256)
        self.fc4 = MyDense(256, 256)
        self.fc5 = MyDense(256, 10)
        # =============上面我们可以把参数量调大一些，训练起来效果可能会好一些。


    def call(self, inputs, training=None):
        """

        :param inputs: [b, 32, 32, 3]
        :param training:
        :return:
        """
        x = tf.reshape(inputs, [-1, 32*32*3])
        # [b, 32*32*3] => [b, 256]
        x = self.fc1(x)      # fc1(x)会调用__call__方法 => call()
        x = tf.nn.relu(x)    #激活函数可以卸载MyDense里面。
        # [b, 256] => [b, 128]
        x = self.fc2(x)      # 会调用__call__方法 => call()
        x = tf.nn.relu(x)    #激活函数可以卸载MyDense里面。
        # [b, 128] => [b, 64]
        x = self.fc3(x)      # 会调用__call__方法 => call()
        x = tf.nn.relu(x)    #激活函数可以卸载MyDense里面。
        # [b, 64] => [b, 32]
        x = self.fc4(x)      # 会调用__call__方法 => call()
        x = tf.nn.relu(x)    #激活函数可以卸载MyDense里面。
        # [b, 32] => [b, 10]
        x = self.fc5(x)      # 会调用__call__方法 => call()

        return x

# 下面新建一个网络对象;这里是没有参数的。
network = MyNetwork()
# 得到network之后，我们把它装配起来。
network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])

network.fit(train_db, epochs=100, validation_data=test_db, validation_freq=1)

network.evaluate(test_db)

network.save_weights('ckpt/weights.ckpt')   #后缀名可以随便的取。
del network                                 #把这个网络删除一下。
print('saved to ckpt/weights.ckpt')


# 再创建一下，因为这里只是单纯的保存一下权值，需要把网络创建加进来。
network = MyNetwork()
network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
network.load_weights('ckpt/weights.ckpt')
print('loaded weights from file.')
# 再做一个测试，使用同一个数据集。
network.evaluate(test_db)

可以发现上面的程序训练起来的准确率比较高，但是测试的时候准确率不高。出现了了过拟合的现象。