tensorflow2.0|Tensorflow 2 实战（kears）- CIFAR10自定义网络、模型加载与保存实战 tensorflow|python|深度学习

【tensorflow2.0|Tensorflow 2 实战（kears）- CIFAR10自定义网络、模型加载与保存实战】
Tensorflow 2 实战（kears）- CIFAR10自定义网络、模型加载与保存实战

一、数据集简介
二、CIFAR10自定义网络实战代码

一、数据集简介 CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集（数据集是现实世界中真实的物体，不仅噪声很大，而且物体的比例、特征都不尽相同，这为识别带来很大困难）。数据集中一共有 50000 张训练图片和 10000 张测试图片，图片为RGB 彩色图片，图片的尺寸为 32×32，共有10 个类别，类别为：飞机（ airplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。CIFAR-10 的图片样例如下(每一类展示了随机的10张图片，注：以下图片来自网络)：

tensorflow2.0|Tensorflow 2 实战（kears）- CIFAR10自定义网络、模型加载与保存实战

文章图片

二、CIFAR10自定义网络实战代码

importos #只显示 warning 和 Error os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'importtensorflow as tf fromtensorflow.keras import datasets, layers, optimizers, Sequential, metrics fromtensorflow import keras#数据预处理 def preprocess(x, y): # [0~255] => [-1~1] x = 2 * tf.cast(x, dtype=tf.float32) / 255. - 1. y = tf.cast(y, dtype=tf.int32) return x,y#数据的加载及数据预处理 batchsz = 128 # [50k, 32, 32, 3], [10k, 1] (x, y), (x_val, y_val) = datasets.cifar10.load_data() y = tf.squeeze(y)#squeeze:从tensor中删除所有大小(szie)是1的维度 y_val = tf.squeeze(y_val) y = tf.one_hot(y, depth=10) # [50k, 10] y_val = tf.one_hot(y_val, depth=10) # [10k, 10] print('datasets:', x.shape, y.shape, x_val.shape, y_val.shape, x.min(), x.max())#构造数据集，from_tensor_slices将样本与标签一一对应（例如：“样本1”对应“标签1”）；map将传进去的函数作用于之前“构造数据集”中的每一个元素；划分batch train_db = tf.data.Dataset.from_tensor_slices((x,y)) train_db = train_db.map(preprocess).shuffle(10000).batch(batchsz) test_db = tf.data.Dataset.from_tensor_slices((x_val, y_val)) test_db = test_db.map(preprocess).batch(batchsz)#构造迭代器 sample = next(iter(train_db)) print('batch:', sample[0].shape, sample[1].shape)#自定义层（需继承tf的keras.layers.Layer类） #super(MyDense, self).__init__()是调用父类的.__init__()方法，此时父类中 self 并不是父类的实例而是子类的实例。 class MyDense(layers.Layer): # to replace standard layers.Dense() def __init__(self, inp_dim, outp_dim): super(MyDense, self).__init__()self.kernel = self.add_weight('w', [inp_dim, outp_dim]) # self.bias = self.add_weight('b', [outp_dim])def call(self, inputs, training=None):x = inputs @ self.kernel return x#自定义网络（需继承tf的keras.Model类） #super(MyNetwork, self).__init__()是调用父类的.__init__()方法，此时父类中 self 并不是父类的实例而是子类的实例。 class MyNetwork(keras.Model):def __init__(self): super(MyNetwork, self).__init__()self.fc1 = MyDense(32*32*3, 256) self.fc2 = MyDense(256, 128) self.fc3 = MyDense(128, 64) self.fc4 = MyDense(64, 32) self.fc5 = MyDense(32, 10)#前向传播 def call(self, inputs, training=None): """ :param inputs: [b, 32, 32, 3] :param training: :return: """ x = tf.reshape(inputs, [-1, 32*32*3]) # [b, 32*32*3] => [b, 256] x = self.fc1(x) x = tf.nn.relu(x) # [b, 256] => [b, 128] x = self.fc2(x) x = tf.nn.relu(x) # [b, 128] => [b, 64] x = self.fc3(x) x = tf.nn.relu(x) # [b, 64] => [b, 32] x = self.fc4(x) x = tf.nn.relu(x) # [b, 32] => [b, 10] x = self.fc5(x)return x#MyNetwork：网络的实例化，compile：网络的装载，fit：网络的训练，evaluate：网络的测试 network = MyNetwork() network.compile(optimizer=optimizers.Adam(learning_rate=1e-3), loss=tf.losses.CategoricalCrossentropy(from_logits=True), metrics=['accuracy']) network.fit(train_db, epochs=15, validation_data=https://www.it610.com/article/test_db, validation_freq=1)network.evaluate(test_db)#模型权值（参数）的保存与恢复（较常用方法） #保存权值（参数） network.save_weights('ckpt/weights.ckpt') #删除模型和参数 del network print('saved to ckpt/weights.ckpt') #重新建立模型（网络实例化、网络装载） network = MyNetwork() network.compile(optimizer=optimizers.Adam(learning_rate=1e-3), loss=tf.losses.CategoricalCrossentropy(from_logits=True), metrics=['accuracy']) #重新加载保存的权值（参数），并测试 network.load_weights('ckpt/weights.ckpt') print('loaded weights from file.') network.evaluate(test_db)# #模型的保存与恢复(该方法把模型也保存了,文件较大,效率比较低) # #保存模型和参数 # network.save('model/network.h5') # #删除模型和参数 # del network # #重新加载模型和参数，并测试 # network = keras.models.load_model('model/network.h5') # network.evaluate(test_db) # # # #将模型保存为onnx,这是通用格式,python生成的可以用c++解析，一般python训练而用C++部署。（注意，ONNX可以转TensorRT，以部署到NVIDIA的嵌入式设备中） # #保存为onnx（可以给其它语言使用） # tf.saved_model.save(network, '/tmp/saved_model/') # #直接Load # #imported = tf.saved_model.load(path) # #f = imported.signatures["serving_default"]