23 在TensorFlow中使用Keras

查看大图

在 TensorFlow 中使用 Keras，重点是把高级建模接口和底层数据、设备、保存部署能力接起来。

查看大图

我会确认代码使用的是同一套 tf.keras 入口。混用旧式导入时，版本兼容问题会更难查。

在前面的文章中，我们探讨了如何进行Keras的Fine-tuning以优化预训练模型的性能。本篇将重点讲解如何在TensorFlow中使用Keras，从基础的模型构建到训练以及评估，确保大家能够顺利过渡到使用Keras框架中实际应用的场景。

Keras与TensorFlow的接口

Keras是一个高层神经网络API，它可以运行在多种深度学习框架上，其中最流行的实现就是TensorFlow。TensorFlow自2.0版本以来，将Keras集成成为其高级API，简化了模型构建与训练的流程。

查看大图

读这篇时，可以把「Keras与Tens -> 构建一个简单的顺序模 -> 编译模型 -> 训练模型」当成一条检查线：先看对象、路径和证据，再回到案例、代码或指标里复查。

在此大背景下，TensorFlow中的Keras可以通过以下几种方式构建模型：

1. 顺序模型（Sequential）：适用于单一输入层和输出层的线性堆叠。
2. 函数式API（Functional API）：允许创建复杂的模型，例如多输入，输出，或共享层。
3. 子类化（Subclassing）：允许用户自定义层和模型，提供了更高的灵活性。

我们将使用顺序模型来演示如何在TensorFlow中构建一个简单的神经网络。

构建一个简单的顺序模型

以下代码展示了如何使用Keras在TensorFlow中定义一个简单的多层感知机（MLP）来进行分类任务。

import tensorflow as tf
from tensorflow.keras import layers, models

# 设置随机种子以确保可重复性
tf.random.set_seed(42)

# 创建顺序模型
model = models.Sequential([
    layers.Input(shape=(784,)),  # 输入层，假设输入特征为784维
    layers.Dense(128, activation='relu'),  # 隐藏层，128个神经元
    layers.Dense(10, activation='softmax')  # 输出层，10类分类
])

# 查看模型摘要
model.summary()

编译模型

编译模型是准备好训练的关键步骤。在这个阶段，我们需要指定优化器、损失函数和评估指标。

model.compile(optimizer='adam',  # 使用Adam优化器
              loss='sparse_categorical_crossentropy',  # 使用稀疏分类交叉熵作为损失函数
              metrics=['accuracy'])  # 评估指标为准确率

训练模型

接下来，我们可以使用训练数据来训练该模型。需要注意的是，在训练之前，确保数据已经被归一化处理，并且分成了训练集和验证集。

# 假设加载并预处理了数据
# train_images, train_labels, val_images, val_labels 为预处理好的数据
history = model.fit(train_images, train_labels, epochs=10, batch_size=32, 
                    validation_data=(val_images, val_labels))

评估模型

训练完成后，我们需要评估该模型在测试集上的表现。

test_loss, test_accuracy = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_accuracy:.4f}')

高级用法 - 使用函数式API

尽管顺序模型非常简洁，但在面对更复杂的情况时，比如需要多个输入层的情况，我们可能需要借助“函数式API”。下面是一个使用函数式API构建具有两个输入的模型的示例。

查看大图

看完《在TensorFlow中使用Keras》后，建议用一分钟复盘：关键概念是否分清、练习步骤是否可复现、结论能不能换成自己的话。

# 定义输入层
input1 = layers.Input(shape=(784,))
input2 = layers.Input(shape=(784,))

# 第一个共享层
shared_layer = layers.Dense(128, activation='relu')

# 应用共享层
output1 = shared_layer(input1)
output2 = shared_layer(input2)

# 定义输出层
output = layers.Dense(10, activation='softmax')(output1)

# 创建模型
model = models.Model(inputs=[input1, input2], outputs=output)

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

查看大图

如果《在TensorFlow中使用Keras》还没完全消化，可以从这张卡片的四个动作重新走一遍。

查看大图

回看《在TensorFlow中使用Keras》时，不必一次做大项目，先用一条简单样例确认主线是否清楚。

总结

本文通过案例详细讲解了如何在TensorFlow中使用Keras进行基本的模型构建、训练及评估。我们不仅通过简洁的顺序模型展示了基本的用法，还引入了更复杂的函数式API，为那些需要实现复杂结构的用户提供了灵活性。

接下来，在下一篇文章中，我们将深入讨论如何使用TensorBoard对Keras模型进行可视化，这将有助于我们更好地理解模型训练过程及其性能。

通过这样的方式，希望能帮助大家更好地掌握Keras与TensorFlow的结合，进而进行更复杂的深度学习项目。