背景

tensorflow2.0 相比于1.0 有很大变化,1.0版本的placeholder,Session都没有了,2.0版本强推使用keras。keras是一个比较高层的api,确实挺好用的,一些基本模型使用起来很方便,本文主要写了几种常用场景下的编程规范指南,都是自己总结出来的如果大家有更好的想法可以在评论中留言。

目的

编程规范的目的是,从构架速度、清晰、可扩展几个方面考虑。

编程规范

  • 比较简单的顺序模型
    比较简单的模型直接使用Sequential比较好,也可以使用Model构建
  • 较复杂的模型
    一般指有多输入都输出,共享某些层等的情况。
    使用keras.Model
    keras.Model必须有输入层,输出层,当构建一个Model的对象时,这个对象可以看成一个层,如果想将这个层用于另一个Model,必须重新定义输入层。举个例子:
     import tensorflow as tf
    
     try:
    import tensorflow.python.keras as keras
    except:
    import tensorflow.keras as keras
    import numpy as np X = np.linspace(0, 1.0, 100)
    y = X ** 2 + 1.0
    X = np.reshape(X, (-1, 1)) m_in = keras.layers.Input(shape=(1,))
    h1 = keras.layers.Dense(units=10, activation="relu")
    out = keras.layers.Dense(units=1, activation="relu") h = h1(m_in)
    h = out(h)
    model1 = keras.Model(inputs=m_in, outputs=h) m2_in = keras.layers.Input(shape=(h.shape[1],))
    h2 = keras.layers.Dense(units=12)
    h3 = keras.layers.Dense(units=1)
    h = h2(m2_in)
    h = h3(h) model2 = keras.Model(inputs=m2_in, outputs=h)
    # model2.summary() m_in = keras.layers.Input(shape=(1,))
    h = model1(m_in)
    out = model2(h) model3 = keras.Model(inputs=m_in, outputs=out)
    model3.summary()

  关于Tensorflow2.0中Tensor类的问题,使用tf.shape获得的Tensor对象是没有numpy属性的。

05-26 21:09