常見的‘融合'操作
復雜神經(jīng)網(wǎng)絡模型的實現(xiàn)離不開"融合"操作。常見融合操作如下：
（1）求和，求差
# 求和
layers.Add(inputs)
# 求差
layers.Subtract(inputs)
inputs: 一個輸入張量的列表（列表大小至少為 2）,列表的shape必須一樣才能進行求和(求差)操作。
例子：
input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
added = keras.layers.add([x1, x2])
out = keras.layers.Dense(4)(added)
model = keras.models.Model(inputs=[input1, input2], outputs=out)
（2）乘法
# 輸入張量的逐元素乘積(對應位置元素相乘，輸入維度必須相同)
layers.multiply(inputs)
# 輸入張量樣本之間的點積
layers.dot(inputs, axes, normalize=False)
dot即矩陣乘法，例子1：
x = np.arange(10).reshape(1, 5, 2)
y = np.arange(10, 20).reshape(1, 2, 5)
# 三維的輸入做dot通常像這樣指定axes,表示矩陣的第一維度和第二維度參與矩陣乘法，第0維度是batchsize
tf.keras.layers.Dot(axes=(1, 2))([x, y])
# 輸出如下：
tf.Tensor: shape=(1, 2, 2), dtype=int64, numpy=
array([[[260, 360],
[320, 445]]])>
例子2：
x1 = tf.keras.layers.Dense(8)(np.arange(10).reshape(5, 2))
x2 = tf.keras.layers.Dense(8)(np.arange(10, 20).reshape(5, 2))
dotted = tf.keras.layers.Dot(axes=1)([x1, x2])
dotted.shape
TensorShape([5, 1])
（3）聯(lián)合：
# 所有輸入張量通過 axis 軸串聯(lián)起來的輸出張量。
layers.add(inputs,axis=-1)
- inputs: 一個列表的輸入張量（列表大小至少為 2）。
- axis: 串聯(lián)的軸。
例子：
x1 = tf.keras.layers.Dense(8)(np.arange(10).reshape(5, 2))
x2 = tf.keras.layers.Dense(8)(np.arange(10, 20).reshape(5, 2))
concatted = tf.keras.layers.Concatenate()([x1, x2])
concatted.shape
TensorShape([5, 16])
（4）統(tǒng)計操作
求均值layers.Average()
input1 = tf.keras.layers.Input(shape=(16,))
x1 = tf.keras.layers.Dense(8, activation='relu')(input1)
input2 = tf.keras.layers.Input(shape=(32,))
x2 = tf.keras.layers.Dense(8, activation='relu')(input2)
avg = tf.keras.layers.Average()([x1, x2])
# x_1 x_2 的均值作為輸出
print(avg)
# tf.Tensor 'average/Identity:0' shape=(None, 8) dtype=float32>
out = tf.keras.layers.Dense(4)(avg)
model = tf.keras.models.Model(inputs=[input1, input2], outputs=out)
layers.Maximum()用法相同。
具有多個輸入和輸出的模型
假設要構造這樣一個模型：
（1）模型具有以下三個輸入
工單標題（文本輸入），工單的文本正文（文本輸入），以及用戶添加的任何標簽（分類輸入）
（2）模型將具有兩個輸出：
- 介于 0 和 1 之間的優(yōu)先級分數(shù)（標量 Sigmoid 輸出）
- 應該處理工單的部門（部門范圍內的 Softmax 輸出）。
模型大概長這樣：
接下來開始創(chuàng)建這個模型。
（1）模型的輸入
num_tags = 12
num_words = 10000
num_departments = 4
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`
（2）將輸入的每一個詞進行嵌入成64-dimensional vector
title_features = layers.Embedding(num_words,64)(title_input)
body_features = layers.Embedding(num_words,64)(body_input)
（3）處理結果輸入LSTM模型，得到 128-dimensional vector
title_features = layers.LSTM(128)(title_features)
body_features = layers.LSTM(32)(body_features)
（4）concatenate融合所有的特征
x = layers.concatenate([title_features, body_features, tags_input])
（5）模型的輸出
# 輸出1，回歸問題
priority_pred = layers.Dense(1,name="priority")(x)
# 輸出2，分類問題
department_pred = layers.Dense(num_departments,name="department")(x)
（6）定義模型
model = keras.Model(
inputs=[title_input, body_input, tags_input],
outputs=[priority_pred, department_pred],
)
（7）模型編譯
編譯此模型時，可以為每個輸出分配不同的損失。甚至可以為每個損失分配不同的權重，以調整其對總訓練損失的貢獻。
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, 0.2],
)
（8）模型的訓練
# 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))
# 通過字典的形式將數(shù)據(jù)fit到模型
model.fit(
{"title": title_data, "body": body_data, "tags": tags_data},
{"priority": priority_targets, "department": dept_targets},
epochs=2,
batch_size=32,
)
ResNet 模型
通過add來實現(xiàn)融合操作，模型的基本結構如下：
# 實現(xiàn)第一個塊
_input = keras.Input(shape=(32,32,3))
x = layers.Conv2D(32,3,activation='relu')(_input)
x = layers.Conv2D(64,3,activation='relu')(x)
block1_output = layers.MaxPooling2D(3)(x)
# 實現(xiàn)第二個塊
x = layers.Conv2D(64,3,padding='same',activation='relu')(block1_output)
x = layers.Conv2D(64,3,padding='same',activation='relu')(x)
block2_output = layers.add([x,block1_output])
# 實現(xiàn)第三個塊
x = layers.Conv2D(64, 3, activation="relu", padding="same")(block2_output)
x = layers.Conv2D(64, 3, activation="relu", padding="same")(x)
block_3_output = layers.add([x, block2_output])
# 進入全連接層
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)
模型的定義與編譯：
model = keras.Model(_input,outputs,name='resnet')
model.compile(
optimizer=keras.optimizers.RMSprop(1e-3),
loss='sparse_categorical_crossentropy',
metrics=["acc"],
)
模型的訓練
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
# 歸一化
x_train = x_train.astype("float32") / 255
x_test = x_test.astype("float32") / 255
model.fit(tf.expand_dims(x_train,-1), y_train, batch_size=64, epochs=1, validation_split=0.2)
注：當loss = =keras.losses.CategoricalCrossentropy(from_logits=True)時，需對標簽進行one-hot：
y_train = keras.utils.to_categorical(y_train, 10)
到此這篇關于tensorflow2.0實現(xiàn)復雜神經(jīng)網(wǎng)絡(多輸入多輸出nn，Resnet)的文章就介紹到這了,更多相關tensorflow2.0復雜神經(jīng)網(wǎng)絡內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- 手把手教你使用TensorFlow2實現(xiàn)RNN
- windows系統(tǒng)Tensorflow2.x簡單安裝記錄(圖文)
- TensorFlow2基本操作之合并分割與統(tǒng)計
- 詳解TensorFlow2實現(xiàn)前向傳播
- Python強化練習之Tensorflow2 opp算法實現(xiàn)月球登陸器
