CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章一小时学会TensorFlow2之自定义层由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

概述

通过自定义网络, 我们可以自己创建网络并和现有的网络串联起来, 从而实现各种各样的网络结构. 。

  。

Sequential

Sequential 是 Keras 的一个网络容器. 可以帮助我们将多层网络封装在一起. 。

通过 Sequential 我们可以把现有的层已经我们自己的层实现结合, 一次前向传播就可以实现数据从第一层到最后一层的计算. 。

格式

tf.keras.Sequential(  layers=None, name=None)

例子

# 5层网络模型model = tf.keras.Sequential([  tf.keras.layers.Dense(256, activation=tf.nn.relu),  tf.keras.layers.Dense(128, activation=tf.nn.relu),  tf.keras.layers.Dense(64, activation=tf.nn.relu),  tf.keras.layers.Dense(32, activation=tf.nn.relu),  tf.keras.layers.Dense(10)])

  。

Model & Layer

通过 Model 和 Layer 的__init__和call()我们可以自定义层和模型. 。

Model

class My_Model(tf.keras.Model):  # 继承Model  def __init__(self):      """      初始化      """            super(My_Model, self).__init__()      self.fc1 = My_Dense(784, 256)  # 第一层      self.fc2 = My_Dense(256, 128)  # 第二层      self.fc3 = My_Dense(128, 64)  # 第三层      self.fc4 = My_Dense(64, 32)  # 第四层      self.fc5 = My_Dense(32, 10)  # 第五层  def call(self, inputs, training=None):      """      在Model被调用的时候执行      :param inputs: 输入      :param training: 默认为None      :return: 返回输出      """            x = self.fc1(inputs)      x = tf.nn.relu(x)      x = self.fc2(x)      x = tf.nn.relu(x)      x = self.fc3(x)      x = tf.nn.relu(x)      x = self.fc4(x)      x = tf.nn.relu(x)      x = self.fc5(x)      return x

Layer

class My_Dense(tf.keras.layers.Layer):  # 继承Layer  def __init__(self, input_dim, output_dim):      """      初始化      :param input_dim:      :param output_dim:      """      super(My_Dense, self).__init__()      # 添加变量      self.kernel = self.add_variable("w", [input_dim, output_dim])  # 权重      self.bias = self.add_variable("b", [output_dim])  # 偏置  def call(self, inputs, training=None):      """      在Layer被调用的时候执行, 计算结果      :param inputs: 输入      :param training: 默认为None      :return: 返回计算结果      """      # y = w * x + b      out = inputs @ self.kernel + self.bias      return out

  。

案例

数据集介绍

CIFAR-10 是由 10 类不同的物品组成的 6 万张彩色图片的数据集. 其中 5 万张为训练集, 1 万张为测试集. 。

完整代码

import tensorflow as tfdef pre_process(x, y):  # 转换x  x = 2 * tf.cast(x, dtype=tf.float32) / 255 - 1  # 转换为-1~1的形式  x = tf.reshape(x, [-1, 32 * 32 * 3])  # 把x铺平  # 转换y  y = tf.convert_to_tensor(y)  # 转换为0~1的形式  y = tf.one_hot(y, depth=10)  # 转成one_hot编码  # 返回x, y  return x, ydef get_data():  """  获取数据  :return:  """  # 获取数据  (X_train, y_train), (X_test, y_test) = tf.keras.datasets.cifar10.load_data()  # 调试输出维度  print(X_train.shape)  # (50000, 32, 32, 3)  print(y_train.shape)  # (50000, 1)  # squeeze  y_train = tf.squeeze(y_train)  # (50000, 1) => (50000,)  y_test = tf.squeeze(y_test)  # (10000, 1) => (10000,)  # 分割训练集  train_db = tf.data.Dataset.from_tensor_slices((X_train, y_train)).shuffle(10000, seed=0)  train_db = train_db.batch(batch_size).map(pre_process).repeat(iteration_num)  # 迭代20次  # 分割测试集  test_db = tf.data.Dataset.from_tensor_slices((X_test, y_test)).shuffle(10000, seed=0)  test_db = test_db.batch(batch_size).map(pre_process)  return train_db, test_dbclass My_Dense(tf.keras.layers.Layer):  # 继承Layer  def __init__(self, input_dim, output_dim):      """      初始化      :param input_dim:      :param output_dim:      """      super(My_Dense, self).__init__()      # 添加变量      self.kernel = self.add_weight("w", [input_dim, output_dim])  # 权重      self.bias = self.add_weight("b", [output_dim])  # 偏置  def call(self, inputs, training=None):      """      在Layer被调用的时候执行, 计算结果      :param inputs: 输入      :param training: 默认为None      :return: 返回计算结果      """      # y = w * x + b      out = inputs @ self.kernel + self.bias      return outclass My_Model(tf.keras.Model):  # 继承Model  def __init__(self):      """      初始化      """      super(My_Model, self).__init__()      self.fc1 = My_Dense(32 * 32 * 3, 256)  # 第一层      self.fc2 = My_Dense(256, 128)  # 第二层      self.fc3 = My_Dense(128, 64)  # 第三层      self.fc4 = My_Dense(64, 32)  # 第四层      self.fc5 = My_Dense(32, 10)  # 第五层  def call(self, inputs, training=None):      """      在Model被调用的时候执行      :param inputs: 输入      :param training: 默认为None      :return: 返回输出      """      x = self.fc1(inputs)      x = tf.nn.relu(x)      x = self.fc2(x)      x = tf.nn.relu(x)      x = self.fc3(x)      x = tf.nn.relu(x)      x = self.fc4(x)      x = tf.nn.relu(x)      x = self.fc5(x)      return x# 定义超参数batch_size = 256  # 一次训练的样本数目learning_rate = 0.001  # 学习率iteration_num = 20  # 迭代次数optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate)  # 优化器loss = tf.losses.CategoricalCrossentropy(from_logits=True)  # 损失network = My_Model()  # 实例化网络# 调试输出summarynetwork.build(input_shape=[None, 32 * 32 * 3])print(network.summary())# 组合network.compile(optimizer=optimizer,              loss=loss,              metrics=["accuracy"])if __name__ == "__main__":  # 获取分割的数据集  train_db, test_db = get_data()  # 拟合  network.fit(train_db, epochs=5, validation_data=test_db, validation_freq=1)

输出结果

Model: "my__model" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= my__dense (My_Dense) multiple 786688 _________________________________________________________________ my__dense_1 (My_Dense) multiple 32896 _________________________________________________________________ my__dense_2 (My_Dense) multiple 8256 _________________________________________________________________ my__dense_3 (My_Dense) multiple 2080 _________________________________________________________________ my__dense_4 (My_Dense) multiple 330 ================================================================= Total params: 830,250 Trainable params: 830,250 Non-trainable params: 0 _________________________________________________________________ None (50000, 32, 32, 3) (50000, 1) 2021-06-15 14:35:26.600766: I tensorflow/compiler/mlir/mlir_graph_optimization_pass.cc:176] None of the MLIR Optimization Passes are enabled (registered 2) Epoch 1/5 3920/3920 [==============================] - 39s 10ms/step - loss: 0.9676 - accuracy: 0.6595 - val_loss: 1.8961 - val_accuracy: 0.5220 Epoch 2/5 3920/3920 [==============================] - 41s 10ms/step - loss: 0.3338 - accuracy: 0.8831 - val_loss: 3.3207 - val_accuracy: 0.5141 Epoch 3/5 3920/3920 [==============================] - 41s 10ms/step - loss: 0.1713 - accuracy: 0.9410 - val_loss: 4.2247 - val_accuracy: 0.5122 Epoch 4/5 3920/3920 [==============================] - 41s 10ms/step - loss: 0.1237 - accuracy: 0.9581 - val_loss: 4.9458 - val_accuracy: 0.5050 Epoch 5/5 3920/3920 [==============================] - 42s 11ms/step - loss: 0.1003 - accuracy: 0.9666 - val_loss: 5.2425 - val_accuracy: 0.5097 。

到此这篇关于一小时学会TensorFlow2之自定义层的文章就介绍到这了,更多相关TensorFlow2自定义层内容请搜索我以前的文章或继续浏览下面的相关文章希望大家以后多多支持我！ 。

原文链接：https://blog.csdn.net/weixin_46274168/article/details/117919277 。

最后此篇关于一小时学会TensorFlow2之自定义层的文章就讲到这里了,如果你想了解更多关于一小时学会TensorFlow2之自定义层的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。