TensorFlow隱藏操作探索(張量操作和定制模型算法)

更新時(shí)間：2023年11月07日 11:18:29 作者：煉丹俠

這篇文章主要為大家介紹了TensorFlow隱藏操作探索(張量操作和定制模型算法),有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪

1.張量和操作

tensorflow對(duì)張量的操作實(shí)際上和numpy差不多，不夠有所差距，numpy的數(shù)據(jù)可以隨時(shí)被修改，但是tensorflow的數(shù)據(jù)要分情況。

(1).使用tf.Constant()

a = tf.Constant([[1,2,3],[4,5,6]])

這個(gè)矩陣就是2*3的矩陣，但是它無(wú)法被修改，只能讀取。
除了不能修改，其實(shí)和numpy的使用方法
比如查看它的大小也可以用：a.shape
索引方式也一樣，這里不做過(guò)得描述

(2).tensorflow提供的數(shù)據(jù)操作函數(shù)

比如加法: a + 10 可以使用函數(shù) tf.add(a, 10);

矩陣的乘法為tf.matmul()，它提供的函數(shù)和numpy都差不多，但是有些不一樣

比如求和.tf.reduce_sum(),求均值為tf.reduce_mean(),求最大值tf.reduce_max();

numpy也可以用于tensorflow中，轉(zhuǎn)換為張量。

(3)類(lèi)型轉(zhuǎn)換

tensorflow中有個(gè)很麻煩的東西，整形+浮點(diǎn)型會(huì)失敗，float32和float64相加也會(huì)失敗，它不會(huì)自動(dòng)執(zhí)行類(lèi)型轉(zhuǎn)換，需要你手動(dòng)操作。

tf.cast()可以用來(lái)進(jìn)行轉(zhuǎn)換，比如把a(bǔ)轉(zhuǎn)為float64類(lèi)型的
tf.cast(a, tf.float64)

(4).變量

tf.Constant無(wú)法被改變，固定好深度學(xué)習(xí)的參數(shù)后，可以使用這個(gè)類(lèi)型的變量，但是如果需要對(duì)它進(jìn)行訓(xùn)練，則必須要使用tf.Variable

我們對(duì)tf.Variable的修改也需要使用特定的函數(shù)assign

a[0,0].assign(10)

這樣a的第一個(gè)值就變?yōu)榱?0，這個(gè)就相當(dāng)于a[0,0] = 10

麻煩就是這個(gè)啦，必須通過(guò)相應(yīng)的函數(shù)來(lái)操作；

(5).其他數(shù)據(jù)結(jié)構(gòu)

tensorflow還有其他數(shù)據(jù)結(jié)構(gòu)，比如稀疏張量(tf.SparseTensor)，張量數(shù)組(tf.TensorArrray)，不規(guī)則張量(tf.RaggedTensor)，字符串張量(tf.string)等等

2.定制模型和算法

(1)自定義損失函數(shù)

比如自定義一個(gè)Huber
def huber_fn(y_true, y_pred):`

error = tf.abs(y_true - y_pred);
    is_small_error = tf.abs(error) < 1#門(mén)限設(shè)置為1
    squared_loss = tf.abs(error)-0.5
    return tf.where(is_small_error, squared_loss, linear_loss)

可以在Keras模型中使用這個(gè)函數(shù)

model.compile(loss=huber_fn, opitimizer= 'adam');

(2)保存和加載自定義組件的模型

keras會(huì)保存函數(shù)的名字，每次加載的適合需要提供一個(gè)字典，將函數(shù)名稱(chēng)映射到實(shí)際函數(shù)。一般而言，當(dāng)加載包含自定義對(duì)象的模式時(shí)，需要將名稱(chēng)映射到對(duì)象。

model = keras.models.load_model("model.h5", custom_objects = {'huber_fn':huber_fn})

如果需要更為靈活的函數(shù)，設(shè)定上面函數(shù)的閾值，不僅僅等于1

def more_freedom_huber(limit = 1.0):

def huber_fn(y_true, y_pred):
            error = tf.abs(y_true - y_pred);
            is_small_error = tf.abs(error) < 1#門(mén)限設(shè)置為1
            squared_loss = tf.abs(error)-0.5
            return tf.where(is_small_error, squared_loss, linear_loss)
    return huber_fn
    model = keras.models.load_model("model.h5", custom_objects = {'huber_fn':more_freedom_huber(2.0)})

還可以通過(guò)繼承keras.losses.Loss類(lèi)的子類(lèi)，然后實(shí)現(xiàn)get_config()方法來(lái)解決問(wèn)題

比如自定義激活函數(shù)，初始化方法，正則化和約束。

如果函數(shù)需要和模型一起保存，必須繼承相應(yīng)的對(duì)象，比如keras.regularizers.Regularizer

以上就是TensorFlow隱藏操作探索(張量操作和定制模型算法)的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow張量定制模型算法的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: