tf模型的架构怎么看 tf训练模型

1、一般训练模式：

import tensorflow as tf
import numpy as np
import time
from sklearn import metrics
from keras.callbacks import ModelCheckpoint
# from tensorflow.keras.callbacks import ModelCheckpoint

# 建立model
class MLP(tf.keras.Model):
    """自定义MLP类
    """
    def __init__(self):
        super().__init__()
        # 定义两层神经网络，第一层100个神经元，激活函数relu，第二层10个神经元输出给softmax
        self.flatten = tf.keras.layers.Flatten()
        self.dense1 = tf.keras.layers.Dense(units=128, activation=tf.nn.relu)
        self.dense2 = tf.keras.layers.Dense(units=10)

    def call(self, x):
        # [batch_size, 28, 28, 1]
        x = self.flatten(x)
        # [batch_size, 784]
        x = self.dense1(x)
        # [batch_size, 100]
        x = self.dense2(x)
        # [batch_size, 10]
        return x

# -------------创建虚拟数据----------------
"""
from keras.utils import np_utils
y_train = np_utils.to_categorical(y_train) # 即：one_hot（独热编码）
"""

data = np.random.random((128,28,28,1))
y = np.zeros((128))
y[32:65], y[64:97], y[96:129] = 1, 2, 3

# (data, y), (test, y_test) = tf.keras.datasets.mnist.load_data() # 一般下载在 C:\Users\用户名\.keras

# -------------生成model----------------
model = MLP()

# -------------定义compile----------------
"""
from_logits=False，output 为经过 softmax 输出的概率值
from_logits=True，output 为经过网络直接输出的 logits 张量
"""
# 使用model.compile()方法来配置训练方法
model.compile(
    optimizer=tf.keras.optimizers.Adam(lr=0.001),    # 使用SGD优化器，学习率为0.001
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), # 配置损失函数
    metrics=['accuracy']         # 标注网络评价指标
)

# -------------定义模型保存策略----------------
"""
filename：字符串，保存模型的路径，filepath可以是格式化的字符串，里面的占位符将会被epoch值和传入on_epoch_end的logs关键字所填入。
例如：filepath = “weights_{epoch:03d}-{val_loss:.4f}.h5”

monitor：需要监视的值，通常为：val_accuracy、val_loss、accuracy、loss
verbose：信息展示模式，0或1。为1表示输出epoch模型保存信息，默认为0表示不输出该信息
save_best_only：当设置为True时，将只保存在验证集上性能最好的模型
mode：‘auto’，‘min’，‘max’之一，在save_best_only=True时决定性能最佳模型的评判准则，例如，当监测值为val_acc时，模式应为max，当检测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断。
save_weights_only：若设置为True，则只保存模型权重，否则将保存整个模型（包括模型结构，配置信息等）
"""

# filepath = "./weights_{epoch:03d}.h5"
filepath = "./weights.h5"
checkpoint = ModelCheckpoint(filepath=filepath, monitor='val_accuracy', verbose=1,save_best_only=True, mode='auto')

# -------------训练网络----------------
# 使用model.fit()方法来执行训练过程
tic = time.clock()
train_history = model.fit(
                    x=data, y=y,           # 告知训练集的输入以及标签，如果有两个输入，则用[data1, data2]
                    batch_size=32,         # 每一批batch的大小为32
                    epochs=10,             # 迭代次数epochs为10
                    validation_split=0.2,  # 从训练集中划分20%给测试集。可以自己指定测试集：validation_data=(data, y),
                    validation_freq=2,     # 每迭代5次进行一次测试集预测
                    callbacks=[checkpoint]
                )
toc = time.clock()
print('Training Time: ', toc - tic)

scores = model.evaluate(data,  y, batch_size=32)
print('Test score:', scores[0])
print('Test accuracy:', scores[1])

# -------------打印模型参数----------------
model.summary() # 查看模型参数

# -------------获取训练中的参数----------------
# 模型训练损失和准确率参数
acc = train_history.history['accuracy']
val_acc = train_history.history['val_accuracy']
loss = train_history.history['loss']
val_loss = train_history.history['val_loss']

# -------------测试模型----------------
model.load_weights("./weights.h5")
tic = time.clock()
pred_test = model.predict(data).argmax(axis=1)
toc = time.clock()
print('Test time:', toc - tic)

# -------------绘制混淆矩阵----------------
confusion_matrix_mss = metrics.confusion_matrix(y,pred_test)

2、自定义训练模式：

import tensorflow as tf
import numpy as np

# 建立model
class MLP(tf.keras.Model):
    """自定义MLP类
    """
    def __init__(self):
        super().__init__()
        # 定义两层神经网络，第一层100个神经元，激活函数relu，第二层10个神经元输出给softmax
        self.flatten = tf.keras.layers.Flatten()
        self.dense1 = tf.keras.layers.Dense(units=128, activation=tf.nn.relu)
        self.dense2 = tf.keras.layers.Dense(units=10)

    def call(self, x):
        # [batch_size, 28, 28, 1]
        x = self.flatten(x)
        # [batch_size, 784]
        x = self.dense1(x)
        # [batch_size, 100]
        x = self.dense2(x)
        # [batch_size, 10]
        return x

# -------------创建虚拟数据----------------
"""
from keras.utils import np_utils
y_train = np_utils.to_categorical(y_train) # 即：one_hot（独热编码）
"""

data = np.random.random((128,28,28,1))
y = np.zeros((128))
y[32:65], y[64:97], y[96:129] = 1, 2, 3

# (data, y), (test, y_test) = tf.keras.datasets.mnist.load_data() # 一般下载在 C:\Users\用户名\.keras

# -------------生成model----------------
model = MLP()

# -------------设置超参数----------------
epochs = 20
batch_size = 16
lr = 0.001

# -------------包装训练、测试数据----------------
train_loader = tf.data.Dataset.from_tensor_slices((data[:100], y[:100]))
train_dataset = train_loader.shuffle(buffer_size=1).batch(batch_size)

test_loader = tf.data.Dataset.from_tensor_slices((data[100:], y[100:]))
test_dataset = test_loader.shuffle(buffer_size=1).batch(batch_size)

# -------------设置损失函数和优化器----------------
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
optimizer = tf.keras.optimizers.Adam(learning_rate=lr)

# -------------设置训练、测试准确率函数----------------
train_acc_metric = tf.keras.metrics.SparseCategoricalAccuracy()
val_acc_metric = tf.keras.metrics.SparseCategoricalAccuracy()

# -------------开始训练----------------
for epoch in range(epochs):
    for i, (X, y) in enumerate(train_dataset):
        with tf.GradientTape() as tape:
            y_pred = model(X)
            loss = loss_fn(y_true=y, y_pred=y_pred)

        grads = tape.gradient(loss, model.variables)
        optimizer.apply_gradients(grads_and_vars=zip(grads, model.variables))

        train_acc_metric(y, y_pred)

    train_acc = train_acc_metric.result()
    print("step: {:3d}  train_loss：{:.6f}  train_acc：{:.2f}".format(epoch,loss,train_acc))
    train_acc_metric.reset_states() # 在每个epoch结束时重置训练指标, 一定要重置！

    if (epoch+1) % 5==0:
        # 验证集
        for i, (X, y) in enumerate(test_dataset):
            y_pred = model(X)
            val_acc_metric(y, y_pred)
            loss = loss_fn(y_true=y, y_pred=y_pred)
        val_acc = val_acc_metric.result()
        print("step: {:3d}  test_loss：{:.6f}  test_acc：{:.2f}".format(epoch,loss,val_acc))
        val_acc_metric.reset_states() # 和上面一样需要充值

3、Keras model.fit()参数详解

fit( x=None, #输入的x值
     y=None, #输入的y标签值
     batch_size=None, #整数 ，每次梯度更新的样本数即批量大小。未指定，默认为32。
     epochs=1, #迭代次数
     verbose=1, #整数，代表以什么形式来展示日志状态
     callbacks=None, #回调函数，这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数
     validation_split=0.0, #浮点数0-1之间，用作验证集的训练数据的比例。模型将分出一部分不会被训练的验证数据，并将在每一轮结束时评估这些验证数据的误差和任何其他模型指标。
     validation_data=None, #这个参数会覆盖 validation_split，即两个函数只能存在一个，它的输入为元组 (x_val，y_val)，这作为验证数据。
     shuffle=True, #布尔值。是否在每轮迭代之前混洗数据
     class_weight=None,
     sample_weight=None, 
     initial_epoch=0, 
     steps_per_epoch=None, #一个epoch包含的步数（每一步是一个batch的数据送入），当使用如TensorFlow数据Tensor之类的输入张量进行训练时，默认的None代表自动分割，即数据集样本数/batch样本数。
     validation_steps=None, #在验证集上的step总数，仅当steps_per_epoch被指定时有用。
     validation_freq=1, #指使用验证集实施验证的频率。当等于1时代表每个epoch结束都验证一次
     max_queue_size=10,
     workers=1,
     use_multiprocessing=False
   )

         在实际应用中的model.fit()调用。

history = model.fit(train_x,
                    train_y,
                    batch_size=batch_size,
                    epochs=100,
                    #validation_split=0.125,
                    validation_data=[val_x,val_y],
                    shuffle= True,
                    verbose=1,
                    callbacks=[checkpoint],
                    validation_freq=1)