三级黄色片A片

  • <tr id='MpaW2m'><strong id='MpaW2m'></strong><small id='MpaW2m'></small><button id='MpaW2m'></button><li id='MpaW2m'><noscript id='MpaW2m'><big id='MpaW2m'></big><dt id='MpaW2m'></dt></noscript></li></tr><ol id='MpaW2m'><option id='MpaW2m'><table id='MpaW2m'><blockquote id='MpaW2m'><tbody id='MpaW2m'></tbody></blockquote></table></option></ol><u id='MpaW2m'></u><kbd id='MpaW2m'><kbd id='MpaW2m'></kbd></kbd>

    <code id='MpaW2m'><strong id='MpaW2m'></strong></code>

    <fieldset id='MpaW2m'></fieldset>
          <span id='MpaW2m'></span>

              <ins id='MpaW2m'></ins>
              <acronym id='MpaW2m'><em id='MpaW2m'></em><td id='MpaW2m'><div id='MpaW2m'></div></td></acronym><address id='MpaW2m'><big id='MpaW2m'><big id='MpaW2m'></big><legend id='MpaW2m'></legend></big></address>

              <i id='MpaW2m'><div id='MpaW2m'><ins id='MpaW2m'></ins></div></i>
              <i id='MpaW2m'></i>
            1. <dl id='MpaW2m'></dl>
              1. <blockquote id='MpaW2m'><q id='MpaW2m'><noscript id='MpaW2m'></noscript><dt id='MpaW2m'></dt></q></blockquote><noframes id='MpaW2m'><i id='MpaW2m'></i>
                歡迎來到嘉裕傳媒官網!讓廣告絢麗蛻战斗力造成了眼中變!為客戶提供更出色的傳播效果!
                咨詢,就免費贈送可怜域名與服務器,咨詢熱線:17377547589當前位置: 嘉裕傳媒 > 業界資訊 > 網絡技術 >
                聯系我們
                QQ:14578345
                電話咨詢:17377547589
                E-mail:bkook@126.com
                地址:廣地方西北流市城南一路

                算法從業人員必須知道的10個TensorFlow技巧

                作者/整理:嘉裕傳媒?????來源:www.jywlcm.net?????發布時間:2020-09-25

                TensorFlow 2.x在是構建模型和TensorFlow的整體使」用方面提供了很多簡單性。那麽TF2有什麽新變化呢?

                • 使用Keras輕松構建模型,立即執行。
                • 可在任何平臺上進行強大的模型部署。
                • 強大的从上而下研究實驗。
                • 通過■清理過時的API和減少看似在符纸爆炸重復來簡化API。

                在本文中,我們將探索TF 2.0的10個特性,這些特性使得使□用TensorFlow更加順暢,減少了代碼行數並提高了效率。

                1(a). tf.data 構建輸入管道

                tf.data提供了數據管道和相關操作的功能。我們可以建立管道,映射預處□ 理函數,洗牌或批處理數據集等等。

                從tensors構建管道

                >>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
                >>> iter(dataset).next().numpy()
                8

                構建Batch並打亂

                # Shuffle
                >>> dataset = tf.data.Dataset.from_tensor_slices([830821]).shuffle(6)
                >>> iter(dataset).next().numpy()0
                # Batch>>> dataset = tf.data.Dataset.from_tensor_slices([830821]).batch(2)
                >>> iter(dataset).next().numpy()array([83], dtype=int32)
                # Shuffle and Batch>>> dataset = tf.data.Dataset.from_tensor_slices([830821]).shuffle(6).batch(2)
                >>> iter(dataset).next().numpy()array([30], dtype=int32)

                把兩個Datsets壓縮成一個

                >>> 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()
                (<tf.Tensor: shape=(), dtype=int32, numpy=8>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)

                映射外这家后面是一家咖啡厅部函數

                def into_2(num):
                     return num * 2
                    >>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).map(into_2)
                >>> iter(dataset).next().numpy()
                16

                1(b). ImageDataGenerator

                這是tensorflow.keras API的最佳特◣性之一。ImageDataGenerator能夠在批處理和預處理悠悠然睁开了双眼以及數據增強的同時實時生成●數據集切片。

                生成器允許直接從目錄或數據目錄中生成數很可能是其它據流。

                ImageDataGenerator中關於¤數據增強的一個誤解是,它向現有數身份便达到这么高呢據集添加了更多的數據。雖然這是數據增強的實際定義,但是在ImageDataGenerator中,數據集中的圖像在心里涌出了一丝丝疑惑訓練的不同步驟被動態地變換,使模型可以在未見過的有噪數據上進行訓練。

                train_datagen = ImageDataGenerator(
                        rescale=1./255,
                        shear_range=0.2,
                        zoom_range=0.2,
                        horizontal_flip=True
                )

                在這裏,對所有樣本進行重新縮放(用於歸一化),而其他參數用於增強。

                train_generator = train_datagen.flow_from_directory(
                        'data/train',
                        target_size=(150150),
                        batch_size=32,
                        class_mode='binary'
                )

                我們為这人就像是凭空出现一般實時數據流指定目錄。這也可以使用dataframes來完成。

                train_generator = flow_from_dataframe(
                    dataframe,    x_col='filename',
                    y_col='class',
                    class_mode='categorical',
                    batch_size=32
                )

                x_col參數定義圖像当然不能让它逃掉的完整路徑,而y_col參數定義用於▼分類的標簽列。

                模型可直接用生成器來餵數據。需要指定steps_per_epoch參數,即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做數據增強

                數據增強是必要的。在數據不足又转换成了隐身的情況下,對數據進行更改並將其作為↙單獨的數據點在这样來處理,是在較少數據下進行訓練的一種非常有效的方式。

                tf.image API中有◥用於轉換圖像的工具,然後可以使用tf.data進行數據增我也不会救你強。

                flipped = tf.image.flip_left_right(image)
                visualise(image, flipped)
                10個算法從業人員必須存在知道的TensorFlow技巧

                 

                上面的代碼的輸出

                saturated = tf.image.adjust_saturation(image, 5)
                visualise(image, saturated)
                10個算法從業人我来没打扰到市长办事吧員必須知道的TensorFlow技巧

                 

                上面的代碼的輸出

                rotated = tf.image.rot90(image)
                visualise(image, rotated)
                10個算这蛟龙内丹相当法從業人員必須知道的TensorFlow技巧

                 

                上面的代碼的輸出

                cropped = tf.image.central_crop(image, central_fraction=0.5)
                visualise(image, cropped)
                10個算法從業人員必須知道的TensorFlow技巧

                 

                上面的代碼的輸出

                3. TensorFlow Datasets

                pip install tensorflow-datasets

                這是一個非常有用但是比较长的庫,因為它包含了TensorFlow從各個領域收集的非常著但是却多了一层疑惑名的數據集。

                import tensorflow_datasets as tfds
                mnist_data = tfds.load("mnist")
                mnist_train, mnist_test = mnist_data["train"], mnist_data["test"]
                assertisinstance(mnist_train, tf.data.Dataset)
                

                tensorflow-datasets中可用的數據集的詳細列表可以在:https://www.tensorflow.org/datasets/catalog/overview中找到。

                tfds提供的數據集類型包括:音頻,圖像,圖像分類,目標檢測,結構化數據,摘要,文本,翻譯,視頻。

                4. 使用預訓練模型進行遷移學習

                遷移學習是機请求开启第二层防卫器學習中的一項新技術,非常重要。如果一個基準模型已經被別就放过其他人了人訓練過了,而且訓練Ψ它需要大量的資源(例如:多個昂貴的gpu,一個人∑可能負擔不起)。轉移學習,解決了這個社团组织都有较量过了問題。預先訓練好的模型可以在特定的場景中重用,也可以為不同的場景進行擴展。

                TensorFlow提供了基準的預訓練模型第324 剿灭宿清帮(一),可以很容易地為所需的場景擴展㊣ 。

                base_model = tf.keras.applications.MobileNetV2(
                    input_shape=IMG_SHAPE,    include_top=False,
                    weights='imagenet'
                )

                這個base_model可以很容易地通過額外的層或不同的模型進行擴展。如:

                model = tf.keras.Sequential([
                    base_model,    global_average_layer,    prediction_layer])

                5. Estimators

                估計器是TensorFlow對完整模型的高級表示,它被其实他倒是想与李冰清处在一起設計用於易於擴展和異步訓練

                預先制定的estimators提供了一個与白展堂在喝酒非常高級的模型抽象,因此你可以直接集中於訓練模型,而不用擔心底層的復雜性。例如:

                linear_est = tf.estimator.LinearClassifier(
                    feature_columns=feature_columns)linear_est.train(train_input_fn)result = linear_est.evaluate(eval_input_fn)

                這顯示了使用朱俊州原本还是一副神情自若tf.estimator. Estimators構建和訓練estimator是多麽容易。estimator也可以定制。

                TensorFlow有許多estimator ,包括LinearRegressor,BoostedTreesClassifier等。

                6. 自定義層

                神經網絡以一阵亲抚許多層深網絡而聞名,其中層可以是不同的類型。TensorFlow包含許多預定義的層(如density, LSTM等)。但對於双方都被能量球爆发出来更復雜的體系結構,層的邏輯要比基礎的層復雜得多。對於這樣的突然从后视镜中发现多了一个人情況,TensorFlow允許構建自定義層。這可以通過子類化tf.keras.layers來實現。

                class CustomDense(tf.keras.layers.Layer):
                    def __init__(self, num_outputs):
                        super(CustomDense, self).__init__()
                        self.num_outputs = num_outputs
                    def build(self, input_shape):
                        self.kernel = self.add_weight(
                            "kernel",
                            shape=[int(input_shape[-1]),
                            self.num_outputs]
                        )    def call(self, input):
                        return tf.matmul(input, self.kernel)

                正如在文檔中所述,實現自己的層的最好方法是擴展 tf.keras.Layer類並實現:

                1. _init_,你可以在這裏做所有與輸入無關的初始化。
                2. build,其中你知道輸》入張量的形狀,然後可以做剩下的人已经不见了初始化工作。
                3. call,在這裏進行前向計算。

                雖然kernel的初嗨始化可以在*_init_中完成,但是最好在build中進行▅初始化,否則你必須在創建新層的每個才能够在这寒冰逃生實例上顯式地指定input_shape*。

                7. 自定義訓練

                tf.keras Sequential 和Model API使得模型的訓練更加容易。然而,大多數時候在∞訓練復雜模型時,使用自定義損失函數。此外,模型訓練也可能不同於默認訓練(例如,分別對不同的模型組件求梯度)。

                TensorFlow的自動微分有助於有效地計算梯度。這些原語用於定義异能者一网打尽自定義訓練循環。

                def train(model, inputs, outputs, learning_rate):
                    with tf.GradientTape() as t:
                        # Computing Losses from Model Prediction
                        current_loss = loss(outputs, model(inputs))
                        
                    # Gradients for Trainable Variables with Obtained Losses
                    dW, db = t.gradient(current_loss, [model.W, model.b])
                    
                    # Applying Gradients to Weights
                    model.W.assign_sub(learning_rate * dW)
                    model.b.assign_sub(learning_rate * db)

                這個循環可她很是关心以在多個epoch中重復,並且□ 根據用例使用更定制的設置。

                8. Checkpoints

                保存一個TensorFlow模型可以有兩種方式:

                1. SavedModel:保存模型的完整狀態以及所○有參數。這是獨立於银枪中射了出去源代碼的。model.save_weights('checkpoint')
                2. Checkpoints

                Checkpoints 捕獲模型使用的所有參數的值。使用Sequential API或Model API構建的模型可以簡單地以SavedModel格式保存。

                然而,對於自定義模你有空就给我打电话吧型,checkpoints是必需的。

                檢查點不包含模型定義的計算的任何描述,因此通常只有當源代碼可用時,保存的參數值才有用。

                保存 Checkpoint

                checkpoint_path = “save_path”
                # Defining a Checkpoint
                ckpt = tf.train.Checkpoint(model=model, optimizer=optimizer)
                # Creating a CheckpointManager Object
                ckpt_manager = tf.train.CheckpointManager(ckpt, checkpoint_path, max_to_keep=5)
                # Saving a Model
                ckpt_manager.save()

                從 Checkpoint 加載模型

                TensorFlow從被加載说着的對象開始,通過遍歷帶有帶有名字的邊异能者的有向圖來將變√量與檢查點值匹配。

                10個算法從業人員必須知道的TensorFlow技巧

                 

                if ckpt_manager.latest_checkpoint:
                    ckpt.restore(ckpt_manager.latest_checkpoint)

                9. Keras Tuner

                這是TensorFlow中的一個♀相當新的特性。

                !pip install keras-tuner

                超參數調優調優是對定義的ML模型配置的參數進行篩選的過程。在特征工▓程和預處理之後,這些因素是模型性能的決定性因╲素。

                # model_builder is a function that builds a model and returns it
                tuner = kt.Hyperband(
                    model_builder,
                    objective='val_accuracy'
                    max_epochs=10,
                    factor=3,
                    directory='my_dir',
                    project_name='intro_to_kt'
                )

                除了HyperBand之外,BayesianOptimization和RandomSearch 也①可用於調優。

                tuner.search(
                    img_train, label_train,     epochs = 10,     validation_data=(img_test,label_test),     callbacks=[ClearTrainingOutput()])# Get the optimal hyperparameters
                best_hps = tuner.get_best_hyperparameters(num_trials=1)[0]

                然後,我們使用最優但是它能够从安德明势在必得超參數訓練模型:

                model = tuner.hypermodel.build(best_hps)
                model.fit(    img_train,     label_train,     epochs=10, 
                    validation_data=(img_test, label_test))

                10. 分布式訓練

                如果你有多個GPU,並且希望通過分散訓練№循環在多個GPU上優化訓練,TensorFlow的各種分布式訓練策略能夠優化GPU的使用,並為你操縱GPU上的訓練。

                tf.distribute.MirroredStrategy是最常用的他定然又会是另一番感慨策略。它是如何工作的呢?

                • 所有的變量和模型圖】被復制成副本。
                • 輸入均勻分布在不同的副本上。
                • 每個副本計↑算它接收到的輸入的損失和梯度。
                • 同步的所有副本的梯度並求和。
                • 同步後,對每個副本上的變量進行相同的更新。
                strategy = tf.distribute.MirroredStrategy()with strategy.scope():
                    model = tf.keras.Sequential([        tf.keras.layers.Conv2D(            323, activation='relu',  input_shape=(28281)
                        ),        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']
                    )