Skip to content

Latest commit

 

History

History
193 lines (139 loc) · 8.07 KB

models_and_layers.md

File metadata and controls

193 lines (139 loc) · 8.07 KB
Raw

模型和层

机器学习中，一个 model 是一个带有可训练参数的函数。这个函数将输入转化为输出。通俗的来说，这个函数表达了输入和输出之间的变换关系。我们通过在数据集上训练模型来获得最佳参数。训练好的模型可以精确的将输入数据转换为我们想得到的输出。

TensorFlow.js有两种创建机器学习的方法：

  1. 用 Layers API（用 layers 来创建模型）
  2. 用 Core API（底端算子，例如 tf.matMul()或tf.add()等）来建立模型

我们首先会用高层API：Layers API来建立模型。然后，我们会展示如何用Core API来搭建相同的模型。

用Layers API创建模型

Layers API有两种方式创建模型：第一种是创建 sequential 模型，第二种是创建 functional 模型。下面两段会分别解释这两种模型创建方式。

使用sequential model

最常见的模型是Sequential模型。Sequential模型将网络的每一层简单的叠在一起。您可以将需要的层按顺序写在一个列表里，然后将列表作为sequential() 函数的输入：

const model = tf.sequential({
 layers: [
   tf.layers.dense({inputShape: [784], units: 32, activation: 'relu'}),
   tf.layers.dense({units: 10, activation: 'softmax'}),
 ]
});

或用 add() 方法：

const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [784], units: 32, activation: 'relu'}));
model.add(tf.layers.dense({units: 10, activation: 'softmax'}));

注意：模型的第一层需要“输入形状”参数（inputShape）。不要在“输入型状”中包含batch size（批次大小）。假设您要向模型输入一个形状为[B, 784]的张量（B是任意batch size），您只需要将“输入型状”设为[784]。

您可以通过model.layers来使用模型中的每一层。例如，您可以用model.inputLayers和model.outputLayers来调用输入层和输出层。

使用functional model

我们也可以通过tf.model()来创建LayersModel。tf.model()和tf.sequential()的主要区别为，您可以用tf.model()来创建任何非闭环的计算图。

以下是一段如何用tf.model() API 建立和上文相同模型的列子：

// 用apply()方法创建任意计算图
const input = tf.input({shape: [784]});
const dense1 = tf.layers.dense({units: 32, activation: 'relu'}).apply(input);
const dense2 = tf.layers.dense({units: 10, activation: 'softmax'}).apply(dense1);
const model = tf.model({inputs: input, outputs: dense2});

我们在每一层用apply()将上一层的输出作为本层的输入。apply()返回一个SymbolicTensor（类似于张量，但不包含任何数值）

不同于sequential model使用inputShape来定义第一层的输入，我们用tf.input()创建的SymbolicTensor作为第一层的输入

如果您向apply()输入一个数值张量，它会进行计算并返还一个数值张量：

const t = tf.tensor([-2, 1, 0, 5]);
const o = tf.layers.activation({activation: 'relu'}).apply(t);
o.print(); // [0, 1, 0, 5]

这个方式适用于单独测试每一层并检查它们的输出。

和sequential model一样，您可以通过model.layers来使用模型中的每一层。例如，您可以用model.inputLayers和model.outputLayers来调用输入层和输出层。

验证

Sequential model和functional model都属于LayersModel类。使用LayersModels让验证更方便：它要求您定义输入形状，并用您定义的形状来验证您对模型的输入。LayersModel会自动计算模型中所有张量的形状。知道张量的形状后，模型就可以自动创建它所需要的参数。您也可以用形状信息来判断两层相邻的层是否相互兼容。

模型总览

使用model.summary()可以显示很多模型的重要信息，包括：

  • 每一层的名字和类型
  • 每一层的输出形状
  • 每一层的权重数量
  • 每一层的输入
  • 一个模型拥有的可训练参数总量，和不可训练参数总量

用前面定义的模型来做例子，我们可以在命令行中得到以下信息：

Layer (type) Output shape Param #
dense_Dense1 (Dense) [null,32] 25120
dense_Dense2 (Dense) [null,10] 330
Total params: 25450
Trainable params: 25450
Non-trainable params: 0

注意：每一层的输出形状中都含有null值。模型的输入形状包含了批次大小，而批次大小是可以灵活更变的，所以批次的值在张量形状中以null显示。

序列化

相对于底端API而言，使用LayersModel的另一个好处是方便存储、加载模型。LayersModel包含如下信息：

  • 可用于重建模型的模型架构信息
  • 模型的权重
  • 训练配置（例如损失函数，优化器和评估方式）
  • 优化器的状态（可用于继续训练模型）

存储和加载模型只需要一行代码：

const saveResult = await model.save('localstorage://my-model-1');
const model = await tf.loadLayersModel('localstorage://my-model-1');

在这个例子中，模型被存储在浏览器的本地存储里。请访问model.save()和save and load了解如何把模型保存在不同的媒介中（例如 file storage, IndexedDB, 触发下载到浏览器等等）。

自定义层

层是创建模型的基础。如果您的模型需要定制化计算模块，您可以写一个自定义层并插入模型中。下面的例子是一个计算平方和的自定义层：

class SquaredSumLayer extends tf.layers.Layer {
 constructor() {
   super({});
 }
 // In this case, the output is a scalar.
 computeOutputShape(inputShape) { return []; }

 // call() is where we do the computation.
 call(input, kwargs) { return input.square().sum();}

 // Every layer needs a unique name.
 getClassName() { return 'SquaredSum'; }
}

可以用apply()方法在一个张量上测试这个自定义层

const t = tf.tensor([-2, 1, 0, 5]);
const o = new SquaredSumLayer().apply(t);
o.print(); // prints 30

注意：如果您在模型中包含了自定义层，模型将不能序列化

用Core API创建模型

本文开头提到了两种在TensorFlow.js中建立模型的方法。最常用的方式是使用 Layers API，因为它的模式是基于广泛应用的Keras API（详情见 best practices and reduces cognitive load）。Layers API提供了大量方便的工具，例如权重初始化，模型序列化，训练监测，可迁移性和安全检查。

当您遇到如下情况时，可能会需要使用Core API：

  • 您需要更多灵活性和控制
  • 您不需要序列化或可以创造自己的序列化方法

用Core API写的模型包含了一系列的函数。这些函数以一个或多个张量作为输入，并输出另一个张量。我们可以用Core API来重写之前定义的模型：

// The weights and biases for the two dense layers.
const w1 = tf.variable(tf.randomNormal([784, 32]));
const b1 = tf.variable(tf.randomNormal([32]));
const w2 = tf.variable(tf.randomNormal([32, 10]));
const b2 = tf.variable(tf.randomNormal([10]));

function model(x) {
  return x.matMul(w1).add(b1).relu().matMul(w2).add(b2).softmax();
}

在Core API中，我们需要自己创建和初始化权重。每个权重都是一个Variable，TensorFlow.js会把Variable权重设为可训练张量。您可以用tf.variable()创建Variable或把一个已存在的张量放到Variable中。

本文介绍了如何用Layers和Core API创建模型。接下来，请看training models学习如何训练模型。