【tf.keras】官方教程二 函数式API

---

搭建简单模型

Setup

Introduction

训练、验证和推理

模型的保存与恢复

使用相同的层图来定义多个模型

所有的模型都是可调用的，就像层一样

操作复杂的图拓扑

多输入多输出模型

ResNet Model（toy version）

共享层

API的延伸：使用自定义层

---

官方教程:https://tensorflow.google.cn/guide/keras/functional#training_evaluation_and_inference  

搭建简单模型

Setup

导入需要的模块：

from __future__ import absolute_import, division, print_function, unicode_literals

import numpy as np

import tensorflow as tf

from tensorflow import keras
from tensorflow.keras import layers

Introduction

　　什么是Keras 函数式API呢？它相对于tf.keras.Sequential API有什么优势呢？

　　Keras 函数式API是生成模型的一种方式，其相对于tf.keras.Sequential API更加灵活。函数式 API可以处理具有非线性拓扑结构的模型、具有共享层的模型以及具有多个输入或输出的模型。

　　深度学习模型的主要思想是层次的有向无环图(DAG)。因此，函数式API是一种构建层图的方法。

　　例如构建一个如下网络，包含3个全连接层的分类问题。

(input: 784-dimensional vectors)
       ↧
[Dense (64 units, relu activation)]
       ↧
[Dense (64 units, relu activation)]
       ↧
[Dense (10 units, softmax activation)]
       ↧
(output: logits of a probability distribution over 10 classes)

　　使用函数式API的步骤：

• 首先生成一个输入节点：

inputs = keras.Input(shape=(784,))

　　如果输入的是shape为(32,32,3)的图像，可以通过如下方式生成输入节点：

# Just for demonstration purposes. 
img_inputs = keras.Input(shape=(32, 32, 3))

　　上述生成的inputs中包含shape和dtype等信息：

inputs.shape
inputs.dtype

　　会返回如下信息：

TensorShape([None, 784])
tf.float32

• 在层的图(graph of layers)中生成新的节点，并通过inputs进行回调。

dense = layers.Dense(64, activation='relu')
 x = dense(inputs)

　　上述操作，相当于将输入inputs输入到了创建的dense层中，并返回输出x；其实可以将上述代码简化为一行。

• 添加第二个层节点和第三个层节点，同样采用的是上述的方式。

x = layers.Dense(64, activation='relu')(x) 
outputs = layers.Dense(10)(x)

• 此时，可以通过在层图中指定其输入和输出来创建最终的模型:

model = keras.Model(inputs=inputs, outputs=outputs, name='mnist_model')

　　通过keras.Model()方法，结合输入、输出，整合成为最终的模型。

• 生成模型以后，可以打印构建的模型， 就像paper中模型结构的表格：

model.summary()

Model: "mnist_model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         [(None, 784)]             0         
_________________________________________________________________
dense (Dense)                (None, 64)                50240     
_________________________________________________________________
dense_1 (Dense)              (None, 64)                4160      
_________________________________________________________________
dense_2 (Dense)              (None, 10)                650       
=================================================================
Total params: 55,050
Trainable params: 55,050
Non-trainable params: 0
_________________________________________________________________

• 同时，也可以绘制模型结构的图像：
  • 仅显示模型结构：

keras.utils.plot_model(model, 'my_first_model.png')

• 显示模型结构和输入输出的尺寸：【添加参数show_shapes=True】

keras.utils.plot_model(model, 'my_first_model_with_shape_info.png', show_shapes=True)

训练、验证和推理

　　这一部分与Sequential models的处理方式相同。

　　下述是使用mnist数据集，进行训练、验证和测试：

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

x_train = x_train.reshape(60000, 784).astype('float32') / 255
x_test = x_test.reshape(10000, 784).astype('float32') / 255

model.compile(loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              optimizer=keras.optimizers.RMSprop(),
              metrics=['accuracy'])

history = model.fit(x_train, y_train,
                    batch_size=64,
                    epochs=5,
                    validation_split=0.2)

test_scores = model.evaluate(x_test, y_test, verbose=2)
print('Test loss:', test_scores[0])
print('Test accuracy:', test_scores[1])

　　训练和验证的详细指南详见：https://tensorflow.google.cn/guide/keras/train_and_evaluate

模型的保存与恢复

　　对于模型的保存，函数式API的方式与序列化模型也是一致的。标准的方式是通过model.save()进行模型的保存， keras.models.load_model()进行模型的恢复。

　　保存的文件中包含：

• 模型的结构
• 模型的权重
• 模型的训练配置参数
• 优化器和它的状态

model.save('path_to_my_model')
del model
# Recreate the exact same model purely from the file:
model = keras.models.load_model('path_to_my_model')

模型的保存与恢复指南详见：https://tensorflow.google.cn/guide/keras/save_and_serialize

使用相同的层图来定义多个模型

　　在函数式API中，模型的产生是通过具体化它们的输入和输出【keras.Model(inputs=, outputs=)】这就意味着，一个层图可以被利用产生多个模型。（通过不同的输入和输出）

　　以下代码包含encoder 和 decoder两部分，encoder相当于FCN的卷积过程，decoder相当于FCN的反卷积过程。

　　也就是说，Conv2D层与Conv2DTranspose互为反操作；MaxPooling2D与UpSampling2D互为反操作。卷积与反卷积，池化与反池化。

encoder_input = keras.Input(shape=(28, 28, 1), name='img')
x = layers.Conv2D(16, 3, activation='relu')(encoder_input)
x = layers.Conv2D(32, 3, activation='relu')(x)
x = layers.MaxPooling2D(3)(x)
x = layers.Conv2D(32, 3, activation='relu')(x)
x = layers.Conv2D(16, 3, activation='relu')(x)
encoder_output = layers.GlobalMaxPooling2D()(x)

encoder = keras.Model(encoder_input, encoder_output, name='encoder')
encoder.summary()

x = layers.Reshape((4, 4, 1))(encoder_output)
x = layers.Conv2DTranspose(16, 3, activation='relu')(x)
x = layers.Conv2DTranspose(32, 3, activation='relu')(x)
x = layers.UpSampling2D(3)(x)
x = layers.Conv2DTranspose(16, 3, activation='relu')(x)
decoder_output = layers.Conv2DTranspose(1, 3, activation='relu')(x)

autoencoder = keras.Model(encoder_input, decoder_output, name='autoencoder')
autoencoder.summary()

　　值得注意的是，上述代码是在encoder的基础上，再建立decoder。建立decoder时，使用的是encoder模型的输入和decoder的输出作为keras.Model的输入参数。也就是所谓的end2end，端到端操作。  

　　所有的模型都是可调用的，就像层一样

　　可以通过调用输入或另一层的输出，将任何模型视为一个层。通过调用模型，不仅重用了模型的体系结构，还重用了它的权重。

　　为了看到它的作用，这里有一个不同的自动编码器的例子，它创建了一个编码器模型，一个解码器模型，并在两个调用中链接它们，以获得自动编码器模型:

  

　　之前的模型是通过使用encoder模型的输入作为decoder的输入，从而达到端到端的模型建立。当然，也可以建立decoder模型的输入，通过两个模型的调用达到端到端模型的实现。

　　如下述代码第12行，构建了decoder模型的输入；

　　23-26行，通过新建一个自动编码器的输入autoencoder_input，再通过两个模型的分别调用（如同层的调用一样），26行可以再次建立模型。 模型可以像层一样调用，生成新的模型（keras.Model(inputs, outputs)）。

encoder_input = keras.Input(shape=(28, 28, 1), name='original_img')
x = layers.Conv2D(16, 3, activation='relu')(encoder_input)
x = layers.Conv2D(32, 3, activation='relu')(x)
x = layers.MaxPooling2D(3)(x)
x = layers.Conv2D(32, 3, activation='relu')(x)
x = layers.Conv2D(16, 3, activation='relu')(x)
encoder_output = layers.GlobalMaxPooling2D()(x)

encoder = keras.Model(encoder_input, encoder_output, name='encoder')
encoder.summary()

decoder_input = keras.Input(shape=(16,), name='encoded_img')
x = layers.Reshape((4, 4, 1))(decoder_input)
x = layers.Conv2DTranspose(16, 3, activation='relu')(x)
x = layers.Conv2DTranspose(32, 3, activation='relu')(x)
x = layers.UpSampling2D(3)(x)
x = layers.Conv2DTranspose(16, 3, activation='relu')(x)
decoder_output = layers.Conv2DTranspose(1, 3, activation='relu')(x)

decoder = keras.Model(decoder_input, decoder_output, name='decoder')
decoder.summary()

autoencoder_input = keras.Input(shape=(28, 28, 1), name='img')
encoded_img = encoder(autoencoder_input)
decoded_img = decoder(encoded_img)
autoencoder = keras.Model(autoencoder_input, decoded_img, name='autoencoder')
autoencoder.summary()

　　上述模型嵌套的方式在集成算法中比较常见，一堆弱学习机（Model）的再次组合。

　　下述代码真是一个简单粗暴的感知机集成模型，get_model()中为一个包含128个节点的输入层和包含1个节点的输出层构成的感知机模型。代码10-15行为集成模型的构建，同样的输入，平均的输出。

def get_model():
  inputs = keras.Input(shape=(128,))
  outputs = layers.Dense(1)(inputs)
  return keras.Model(inputs, outputs)

model1 = get_model()
model2 = get_model()
model3 = get_model()

inputs = keras.Input(shape=(128,))
y1 = model1(inputs)
y2 = model2(inputs)
y3 = model3(inputs)
outputs = layers.average([y1, y2, y3])
ensemble_model = keras.Model(inputs=inputs, outputs=outputs)

操作复杂的图拓扑

　　通过以上的介绍，或许你觉得keras 函数式API和Sequence API相比并没有什么亮点。那是因为上述的模型结构还相对简单。 接下来，在多输入多输出模型 和 共享层中探究其精妙之处。

多输入多输出模型

　　函数式API可以容易的解决多输入和多输出的问题。而这在Sequential API中很难处理。

　　下述代码包含两个输入，两个输入分别经过LSTM产生输出后，利用特征拼接形成一个特征。再对该特征进行分别两个全连接操作，产生两个输出。而最终构成的模型。

num_tags = 12  # Number of unique issue tags
num_words = 10000  # Size of vocabulary obtained when preprocessing text data
num_departments = 4  # Number of departments for predictions

title_input = keras.Input(shape=(None,), name='title')  # Variable-length sequence of ints
body_input = keras.Input(shape=(None,), name='body')  # Variable-length sequence of ints
tags_input = keras.Input(shape=(num_tags,), name='tags')  # Binary vectors of size `num_tags`

# Embed each word in the title into a 64-dimensional vector
title_features = layers.Embedding(num_words, 64)(title_input)
# Embed each word in the text into a 64-dimensional vector
body_features = layers.Embedding(num_words, 64)(body_input)

# Reduce sequence of embedded words in the title into a single 128-dimensional vector
title_features = layers.LSTM(128)(title_features)
# Reduce sequence of embedded words in the body into a single 32-dimensional vector
body_features = layers.LSTM(32)(body_features)

# Merge all available features into a single large vector via concatenation
x = layers.concatenate([title_features, body_features, tags_input])

# Stick a logistic regression for priority prediction on top of the features
priority_pred = layers.Dense(1, name='priority')(x)
# Stick a department classifier on top of the features
department_pred = layers.Dense(num_departments, name='department')(x)

# Instantiate an end-to-end model predicting both priority and department
model = keras.Model(inputs=[title_input, body_input, tags_input],
                    outputs=[priority_pred, department_pred])

　　显示其模型结构,包含三个输入，两个输出:

　　在编译模型是，由于模型包含两个输出，可以为两个模型分别设置损失函数。

model.compile(optimizer=keras.optimizers.RMSprop(1e-3),
              loss=[keras.losses.BinaryCrossentropy(from_logits=True),
                    keras.losses.CategoricalCrossentropy(from_logits=True)],
              loss_weights=[1., 0.2])

　　为了代码的可读性，在设定损失函数时可以使用字典的方式，用于声明每个损失函数的归属。

model.compile(optimizer=keras.optimizers.RMSprop(1e-3),
              loss={'priority':keras.losses.BinaryCrossentropy(from_logits=True),
                    'department': keras.losses.CategoricalCrossentropy(from_logits=True)},
              loss_weights=[1., 0.2])

　　训练模型：

# Dummy input data
title_data = np.random.randint(num_words, size=(1280, 10))
body_data = np.random.randint(num_words, size=(1280, 100))
tags_data = np.random.randint(2, size=(1280, num_tags)).astype('float32')

# Dummy target data
priority_targets = np.random.random(size=(1280, 1))
dept_targets = np.random.randint(2, size=(1280, num_departments))

model.fit({'title': title_data, 'body': body_data, 'tags': tags_data},
          {'priority': priority_targets, 'department': dept_targets},
          epochs=2,
          batch_size=32)

　　更详细的训练验证指南：https://tensorflow.google.cn/guide/keras/train_and_evaluate

ResNet Model（toy version）

inputs = keras.Input(shape=(32, 32, 3), name='img')
x = layers.Conv2D(32, 3, activation='relu')(inputs)
x = layers.Conv2D(64, 3, activation='relu')(x)
block_1_output = layers.MaxPooling2D(3)(x)

x = layers.Conv2D(64, 3, activation='relu', padding='same')(block_1_output)
x = layers.Conv2D(64, 3, activation='relu', padding='same')(x)
block_2_output = layers.add([x, block_1_output])

x = layers.Conv2D(64, 3, activation='relu', padding='same')(block_2_output)
x = layers.Conv2D(64, 3, activation='relu', padding='same')(x)
block_3_output = layers.add([x, block_2_output])

x = layers.Conv2D(64, 3, activation='relu')(block_3_output)
x = layers.GlobalAveragePooling2D()(x)
x = layers.Dense(256, activation='relu')(x)
x = layers.Dropout(0.5)(x)
outputs = layers.Dense(10)(x)

model = keras.Model(inputs, outputs, name='toy_resnet')
model.summary()

　　看一眼它的结构：

keras.utils.plot_model(model, 'mini_resnet.png', show_shapes=True)

　　然后训练模型：

(x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data()

x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

model.compile(optimizer=keras.optimizers.RMSprop(1e-3),
              loss=keras.losses.CategoricalCrossentropy(from_logits=True),
              metrics=['acc'])

model.fit(x_train, y_train,
          batch_size=64,
          epochs=1,
          validation_split=0.2)

共享层

　　谈到共享层，便会想到Siamese Network系列的各种模型，包括图像分类，目标追踪，few shot目标检测等。了解这一类模型，便不难理解共享层在keras中的使用：

　　声明两个输入，将其输入到相同的层中，产生输出即可。

# Embedding for 1000 unique words mapped to 128-dimensional vectors
shared_embedding = layers.Embedding(1000, 128)

# Variable-length sequence of integers
text_input_a = keras.Input(shape=(None,), dtype='int32')

# Variable-length sequence of integers
text_input_b = keras.Input(shape=(None,), dtype='int32')

# Reuse the same layer to encode both inputs
encoded_input_a = shared_embedding(text_input_a)
encoded_input_b = shared_embedding(text_input_b)

API的延伸：使用自定义层

　　tf.keras中包含广泛的层，例如：

• Convolutional layers: Conv1D, Conv2D, Conv3D, Conv2DTranspose
• Pooling layers: MaxPooling1D, MaxPooling2D, MaxPooling3D, AveragePooling1D
• RNN layers: GRU, LSTM, ConvLSTM2D
• BatchNormalization, Dropout, Embedding, etc.

　　但如果你找不到想要的层，便可以使用API的延伸，生成自己需要的层。自定义层需要继承layers.Layer类，并定义build 和call函数：

• call函数定义具体的前向计算过程；
• build函数初始化各层的权重；

class CustomDense(layers.Layer):
  def __init__(self, units=32):
    super(CustomDense, self).__init__()
    self.units = units

  def build(self, input_shape):
    self.w = self.add_weight(shape=(input_shape[-1], self.units),
                             initializer='random_normal',
                             trainable=True)
    self.b = self.add_weight(shape=(self.units,),
                             initializer='random_normal',
                             trainable=True)

  def call(self, inputs):
    return tf.matmul(inputs, self.w) + self.b


inputs = keras.Input((4,))
outputs = CustomDense(10)(inputs)

model = keras.Model(inputs, outputs)

　　对于自定义层中的序列化支持，定义一个get_config方法，该方法返回层实例的构造函数参数:

class CustomDense(layers.Layer):

  def __init__(self, units=32):
    super(CustomDense, self).__init__()
    self.units = units

  def build(self, input_shape):
    self.w = self.add_weight(shape=(input_shape[-1], self.units),
                             initializer='random_normal',
                             trainable=True)
    self.b = self.add_weight(shape=(self.units,),
                             initializer='random_normal',
                             trainable=True)

  def call(self, inputs):
    return tf.matmul(inputs, self.w) + self.b

  def get_config(self):    # 新增函数，返回构造函数中的数值
    return {'units': self.units}


inputs = keras.Input((4,))
outputs = CustomDense(10)(inputs)

model = keras.Model(inputs, outputs)
config = model.get_config()   # 通过get_config来获取config信息

new_model = keras.Model.from_config(
    config, custom_objects={'CustomDense': CustomDense})