1.張量和操作

tensorflow對張量的操作實際上和numpy差不多，不夠有所差距，numpy的數(shù)據(jù)可以隨時被修改，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]])

這個矩陣就是2*3的矩陣，但是它無法被修改，只能讀取。
除了不能修改，其實和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)類型轉(zhuǎn)換

tensorflow中有個很麻煩的東西，整形+浮點型會失敗，float32和float64相加也會失敗，它不會自動執(zhí)行類型轉(zhuǎn)換，需要你手動操作。

tf.cast()可以用來進行轉(zhuǎn)換，比如把a轉(zhuǎn)為float64類型的
tf.cast(a, tf.float64)

(4).變量

tf.Constant無法被改變，固定好深度學習的參數(shù)后，可以使用這個類型的變量，但是如果需要對它進行訓練，則必須要使用tf.Variable

我們對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的第一個值就變?yōu)榱?0，這個就相當于a[0,0] = 10

麻煩就是這個啦，必須通過相應(yīng)的函數(shù)來操作；

(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Huber
def huber_fn(y_true, y_pred):`

error = tf.abs(y_true - y_pred);
    is_small_error = tf.abs(error) < 1#門限設(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會保存函數(shù)的名字，每次加載的適合需要提供一個字典，將函數(shù)名稱映射到實際函數(shù)。一般而言，當加載包含自定義對象的模式時，需要將名稱映射到對象。

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)})

還可以通過繼承keras.losses.Loss類的子類，然后實現(xiàn)get_config()方法來解決問題

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)的詳細內(nèi)容，更多關(guān)于TensorFlow張量定制模型算法的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論