作者：Rohan Jagtap

編譯：ronghuaiyang

導讀

掌握這些可以更高效的模型的提高開發效率。

TensorFlow 2.x在構建模型和TensorFlow的整體使用方面提供了很多簡單性。那么TF2有什么新變化呢？

• 使用Keras輕松構建模型，立即執行。
• 可在任何平臺上進行強大的模型部署。
• 強大的研究實驗。
• 通過清理過時的API和減少重復來簡化API。

在本文中，我們將探索TF 2.0的10個特性，這些特性使得使用TensorFlow更加順暢，減少了代碼行數并提高了效率。

1(a). tf.data 構建輸入管道

tf.data提供了數據管道和相關操作的功能。我們可以建立管道，映射預處理函數，洗牌或批處理數據集等等。

從tensors構建管道

>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
>>> iter(dataset).next().numpy()
8

構建Batch并打亂

# Shuffle
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).shuffle(6)
>>> iter(dataset).next().numpy()0
# Batch>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).batch(2)
>>> iter(dataset).next().numpy()array([8, 3], dtype=int32)
# Shuffle and Batch>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).shuffle(6).batch(2)
>>> iter(dataset).next().numpy()array([3, 0], dtype=int32)

把兩個Datsets壓縮成一個

>>> dataset0 = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
>>> dataset1 = tf.data.Dataset.from_tensor_slices([1, 2, 3, 4, 5, 6])
>>> dataset = tf.data.Dataset.zip((dataset0, dataset1))
>>> iter(dataset).next()
(<tf.Tensor: shape=(), dtype=int32, numpy=8>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)

映射外部函數

def into_2(num):
     return num * 2
    >>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).map(into_2)
>>> iter(dataset).next().numpy()
16

1(b). ImageDataGenerator

這是tensorflow.keras API的最佳特性之一。ImageDataGenerator能夠在批處理和預處理以及數據增強的同時實時生成數據集切片。

生成器允許直接從目錄或數據目錄中生成數據流。

ImageDataGenerator中關于數據增強的一個誤解是，它向現有數據集添加了更多的數據。雖然這是數據增強的實際定義，但是在ImageDataGenerator中，數據集中的圖像在訓練的不同步驟被動態地變換，使模型可以在未見過的有噪數據上進行訓練。

train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True
)

在這里，對所有樣本進行重新縮放(用于歸一化)，而其他參數用于增強。

train_generator = train_datagen.flow_from_directory(
        'data/train',
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary'
)

我們為實時數據流指定目錄。這也可以使用dataframes來完成。

train_generator = flow_from_dataframe(
    dataframe,    x_col='filename',
    y_col='class',
    class_mode='categorical',
    batch_size=32
)

x_col參數定義圖像的完整路徑，而y_col參數定義用于分類的標簽列。

模型可直接用生成器來喂數據。需要指定steps_per_epoch參數，即number_of_samples // batch_size.

model.fit(
    train_generator,    validation_data=val_generator,    epochs=EPOCHS,    steps_per_epoch=(num_samples // batch_size),
    validation_steps=(num_val_samples // batch_size)
)

2. 使用tf.image做數據增強

數據增強是必要的。在數據不足的情況下，對數據進行更改并將其作為單獨的數據點來處理，是在較少數據下進行訓練的一種非常有效的方式。

tf.image API中有用于轉換圖像的工具，然后可以使用tf.data進行數據增強。

flipped = tf.image.flip_left_right(image)
visualise(image, flipped)

上面的代碼的輸出

saturated = tf.image.adjust_saturation(image, 5)
visualise(image, saturated)

上面的代碼的輸出

rotated = tf.image.rot90(image)
visualise(image, rotated)

上面的代碼的輸出

cropped = tf.image.central_crop(image, central_fraction=0.5)
visualise(image, cropped)

上面的代碼的輸出

3. TensorFlow Datasets

pip install tensorflow-datasets

這是一個非常有用的庫，因為它包含了TensorFlow從各個領域收集的非常著名的數據集。

import tensorflow_datasets as tfds
mnist_data = tfds.load("mnist")
mnist_train, mnist_test = mnist_data["train"], mnist_data["test"]
assertisinstance(mnist_train, tf.data.Dataset)

tensorflow-datasets中可用的數據集的詳細列表可以在：https://www.tensorflow.org/datasets/catalog/overview中找到。

tfds提供的數據集類型包括：音頻，圖像，圖像分類，目標檢測，結構化數據，摘要，文本，翻譯，視頻。

4. 使用預訓練模型進行遷移學習

遷移學習是機器學習中的一項新技術，非常重要。如果一個基準模型已經被別人訓練過了，而且訓練它需要大量的資源(例如：多個昂貴的gpu，一個人可能負擔不起)。轉移學習，解決了這個問題。預先訓練好的模型可以在特定的場景中重用，也可以為不同的場景進行擴展。

TensorFlow提供了基準的預訓練模型，可以很容易地為所需的場景擴展。

base_model = tf.keras.Applications.MobileNetV2(
    input_shape=IMG_SHAPE,    include_top=False,
    weights='imagenet'
)

這個base_model可以很容易地通過額外的層或不同的模型進行擴展。如：

model = tf.keras.Sequential([
    base_model,    global_average_layer,    prediction_layer])

5. Estimators

估計器是TensorFlow對完整模型的高級表示，它被設計用于易于擴展和異步訓練

預先制定的estimators提供了一個非常高級的模型抽象，因此你可以直接集中于訓練模型，而不用擔心底層的復雜性。例如:

linear_est = tf.estimator.LinearClassifier(
    feature_columns=feature_columns)linear_est.train(train_input_fn)result = linear_est.evaluate(eval_input_fn)

這顯示了使用tf.estimator. Estimators構建和訓練estimator是多么容易。estimator也可以定制。

TensorFlow有許多estimator ，包括LinearRegressor，BoostedTreesClassifier等。

6. 自定義層

神經網絡以許多層深網絡而聞名，其中層可以是不同的類型。TensorFlow包含許多預定義的層(如density, LSTM等)。但對于更復雜的體系結構，層的邏輯要比基礎的層復雜得多。對于這樣的情況，TensorFlow允許構建自定義層。這可以通過子類化tf.keras.layers來實現。

class CustomDense(tf.keras.layers.Layer):
    def __init__(self, num_outputs):
        super(CustomDense, self).__init__()
        self.num_outputs = num_outputs
    def build(self, input_shape):
        self.kernel = self.add_weight(
            "kernel",
            shape=[int(input_shape[-1]),
            self.num_outputs]
        )    def call(self, input):
        return tf.matmul(input, self.kernel)

正如在文檔中所述，實現自己的層的最好方法是擴展 tf.keras.Layer類并實現：

1. _init_，你可以在這里做所有與輸入無關的初始化。
2. build，其中你知道輸入張量的形狀，然后可以做剩下的初始化工作。
3. call，在這里進行前向計算。

雖然kernel的初始化可以在*_init_中完成，但是最好在build中進行初始化，否則你必須在創建新層的每個實例上顯式地指定input_shape*。

7. 自定義訓練

tf.keras Sequential 和Model API使得模型的訓練更加容易。然而，大多數時候在訓練復雜模型時，使用自定義損失函數。此外，模型訓練也可能不同于默認訓練(例如，分別對不同的模型組件求梯度)。

TensorFlow的自動微分有助于有效地計算梯度。這些原語用于定義自定義訓練循環。

def train(model, inputs, outputs, learning_rate):
    with tf.GradientTape() as t:
        # Computing Losses from Model Prediction
        current_loss = loss(outputs, model(inputs))
        
    # Gradients for Trainable Variables with Obtained Losses
    dW, db = t.gradient(current_loss, [model.W, model.b])
    
    # Applying Gradients to Weights
    model.W.assign_sub(learning_rate * dW)
    model.b.assign_sub(learning_rate * db)

這個循環可以在多個epoch中重復，并且根據用例使用更定制的設置。

8. Checkpoints

保存一個TensorFlow模型可以有兩種方式：

1. SavedModel：保存模型的完整狀態以及所有參數。這是獨立于源代碼的。model.save_weights('checkpoint')
2. Checkpoints

Checkpoints 捕獲模型使用的所有參數的值。使用Sequential API或Model API構建的模型可以簡單地以SavedModel格式保存。

然而，對于自定義模型，checkpoints是必需的。

檢查點不包含模型定義的計算的任何描述，因此通常只有當源代碼可用時，保存的參數值才有用。

保存 Checkpoint

checkpoint_path = “save_path”
# Defining a Checkpoint
ckpt = tf.train.Checkpoint(model=model, optimizer=optimizer)
# Creating a CheckpointManager Object
ckpt_manager = tf.train.CheckpointManager(ckpt, checkpoint_path, max_to_keep=5)
# Saving a Model
ckpt_manager.save()

從 Checkpoint 加載模型

TensorFlow從被加載的對象開始，通過遍歷帶有帶有名字的邊的有向圖來將變量與檢查點值匹配。

if ckpt_manager.latest_checkpoint:
    ckpt.restore(ckpt_manager.latest_checkpoint)

9. Keras Tuner

這是TensorFlow中的一個相當新的特性。

!pip install keras-tuner

超參數調優調優是對定義的ML模型配置的參數進行篩選的過程。在特征工程和預處理之后，這些因素是模型性能的決定性因素。

# model_builder is a function that builds a model and returns it
tuner = kt.Hyperband(
    model_builder,
    objective='val_accuracy', 
    max_epochs=10,
    factor=3,
    directory='my_dir',
    project_name='intro_to_kt'
)

除了HyperBand之外，BayesianOptimization和RandomSearch 也可用于調優。

tuner.search(
    img_train, label_train,     epochs = 10,     validation_data=(img_test,label_test),     callbacks=[ClearTrainingOutput()])# Get the optimal hyperparameters
best_hps = tuner.get_best_hyperparameters(num_trials=1)[0]

然后，我們使用最優超參數訓練模型：

model = tuner.hypermodel.build(best_hps)
model.fit(    img_train,     label_train,     epochs=10, 
    validation_data=(img_test, label_test))

10. 分布式訓練

如果你有多個GPU，并且希望通過分散訓練循環在多個GPU上優化訓練，TensorFlow的各種分布式訓練策略能夠優化GPU的使用，并為你操縱GPU上的訓練。

tf.distribute.MirroredStrategy是最常用的策略。它是如何工作的呢？

• 所有的變量和模型圖被復制成副本。
• 輸入均勻分布在不同的副本上。
• 每個副本計算它接收到的輸入的損失和梯度。
• 同步的所有副本的梯度并求和。
• 同步后，對每個副本上的變量進行相同的更新。

strategy = tf.distribute.MirroredStrategy()with strategy.scope():
    model = tf.keras.Sequential([        tf.keras.layers.Conv2D(            32, 3, activation='relu',  input_shape=(28, 28, 1)
        ),        tf.keras.layers.MaxPooling2D(),        tf.keras.layers.Flatten(),        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(10)
    ])    model.compile(        loss="sparse_categorical_crossentropy",
        optimizer="adam",
        metrics=['accuracy']
    )

英文原文：https://towardsdatascience.com/10-tensorflow-tricks-every-ml-practitioner-must-know-96b860e53c1