官方教程:https://tensorflow.google.cn/guide/keras/functional#training_evaluation_and_inference
搭建简单模型
Setup
导入需要的模块：
1 from __future__ import absolute_import, division, print_function, unicode_literals 2 3 import numpy as np 4 5 import tensorflow as tf 6 7 from tensorflow import keras 8 from tensorflow.keras import layers
Introduction
什么是Keras 函数式API呢？它相对于tf.keras.Sequential API有什么优势呢？
Keras 函数式API是生成模型的一种方式，其相对于tf.keras.Sequential API更加灵活。函数式 API可以处理具有非线性拓扑结构的模型、具有共享层的模型以及具有多个输入或输出的模型。
深度学习模型的主要思想是层次的有向无环图(DAG)。因此，函数式API是一种构建层图的方法。
例如构建一个如下网络，包含3个全连接层的分类问题。
(input: 784-dimensional vectors) ↧ [Dense (64 units, relu activation)] ↧ [Dense (64 units, relu activation)] ↧ [Dense (10 units, softmax activation)] ↧ (output: logits of a probability distribution over 10 classes)
使用函数式API的步骤：
- 首先生成一个输入节点：
inputs = keras.Input(shape=(784,))
如果输入的是shape为(32,32,3)的图像，可以通过如下方式生成输入节点：
1 # Just for demonstration purposes. 2 img_inputs = keras.Input(shape=(32, 32, 3))
上述生成的inputs中包含shape和dtype等信息：
1 inputs.shape 2 inputs.dtype
会返回如下信息：
TensorShape([None, 784])
tf.float32
- 在层的图(graph of layers)中生成新的节点，并通过inputs进行回调。
1 dense = layers.Dense(64, activation='relu') 2 x = dense(inputs)
上述操作，相当于将输入inputs输入到了创建的dense层中，并返回输出x；其实可以将上述代码简化为一行。
- 添加第二个层节点和第三个层节点，同样采用的是上述的方式。
1 x = layers.Dense(64, activation='relu')(x) 2 outputs = layers.Dense(10)(x)
- 此时，可以通过在层图中指定其输入和输出来创建最终的模型:
model = keras.Model(inputs=inputs, outputs=outputs, name='mnist_model')
通过keras.Model()方法，结合输入、输出，整合成为最终的模型。
- 生成模型以后，可以打印构建的模型， 就像paper中模型结构的表格：
model.summary()
Model: "mnist_model" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= input_1 (InputLayer) [(None, 784)] 0 _________________________________________________________________ dense (Dense) (None, 64) 50240 _________________________________________________________________ dense_1 (Dense) (None, 64) 4160 _________________________________________________________________ dense_2 (Dense) (None, 10) 650 ================================================================= Total params: 55,050 Trainable params: 55,050 Non-trainable params: 0 _________________________________________________________________
-
同时，也可以绘制模型结构的图像：
- 仅显示模型结构：
keras.utils.plot_model(model, 'my_first_model.png')
- 显示模型结构和输入输出的尺寸：【添加参数show_shapes=True】
1 keras.utils.plot_model(model, 'my_first_model_with_shape_info.png', show_shapes=True)
训练、验证和推理
这一部分与Sequential models的处理方式相同。
下述是使用mnist数据集，进行训练、验证和测试：
1 (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data() 2 3 x_train = x_train.reshape(60000, 784).astype('float32') / 255 4 x_test = x_test.reshape(10000, 784).astype('float32') / 255 5 6 model.compile(loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True), 7 optimizer=keras.optimizers.RMSprop(), 8 metrics=['accuracy']) 9 10 history = model.fit(x_train, y_train, 11 batch_size=64, 12 epochs=5, 13 validation_split=0.2) 14 15 test_scores = model.evaluate(x_test, y_test, verbose=2) 16 print('Test loss:', test_scores[0]) 17 print('Test accuracy:', test_scores[1])
训练和验证的详细指南详见：https://tensorflow.google.cn/guide/keras/train_and_evaluate
模型的保存与恢复
对于模型的保存，函数式API的方式与序列化模型也是一致的。标准的方式是通过model.save()进行模型的保存， keras.models.load_model()进行模型的恢复。
保存的文件中包含：
- 模型的结构
- 模型的权重
- 模型的训练配置参数
- 优化器和它的状态
1 model.save('path_to_my_model') 2 del model 3 # Recreate the exact same model purely from the file: 4 model = keras.models.load_model('path_to_my_model')
模型的保存与恢复指南详见：https://tensorflow.google.cn/guide/keras/save_and_serialize
使用相同的层图来定义多个模型
在函数式API中，模型的产生是通过具体化它们的输入和输出【keras.Model(inputs=, outputs=)】这就意味着，一个层图可以被利用产生多个模型。（通过不同的输入和输出）
以下代码包含encoder 和 decoder两部分，encoder相当于FCN的卷积过程，decoder相当于FCN的反卷积过程。
也就是说，Conv2D层与Conv2DTranspose互为反操作；MaxPooling2D与UpSampling2D互为反操作。卷积与反卷积，池化与反池化。
1 encoder_input = keras.Input(shape=(28, 28, 1), name='img') 2 x = layers.Conv2D(16, 3, activation='relu')(encoder_input) 3 x = layers.Conv2D(32, 3, activation='relu')(x) 4 x = layers.MaxPooling2D(3)(x) 5 x = layers.Conv2D(32, 3, activation='relu')(x) 6 x = layers.Conv2D(16, 3, activation='relu')(x) 7 encoder_output = layers.GlobalMaxPooling2D()(x) 8 9 encoder = keras.Model(encoder_input, encoder_output, name='encoder') 10 encoder.summary() 11 12 x = layers.Reshape((4, 4, 1))(encoder_output) 13 x = layers.Conv2DTranspose(16, 3, activation='relu')(x) 14 x = layers.Conv2DTranspose(32, 3, activation='relu')(x) 15 x = layers.UpSampling2D(3)(x) 16 x = layers.Conv2DTranspose(16, 3, activation='relu')(x) 17 decoder_output = layers.Conv2DTranspose(1, 3, activation='relu')(x) 18 19 autoencoder = keras.Model(encoder_input, decoder_output, name='autoencoder') 20 autoencoder.summary()
值得注意的是，上述代码是在encoder的基础上，再建立decoder。建立decoder时，使用的是encoder模型的输入和decoder的输出作为keras.Model的输入参数。也就是所谓的end2end，端到端操作。
所有的模型都是可调用的，就像层一样
可以通过调用输入或另一层的输出，将任何模型视为一个层。通过调用模型，不仅重用了模型的体系结构，还重用了它的权重。
为了看到它的作用，这里有一个不同的自动编码器的例子，它创建了一个编码器模型，一个解码器模型，并在两个调用中链接它们，以获得自动编码器模型:
之前的模型是通过使用encoder模型的输入作为decoder的输入，从而达到端到端的模型建立。当然，也可以建立decoder模型的输入，通过两个模型的调用达到端到端模型的实现。
如下述代码第12行，构建了decoder模型的输入；
23-26行，通过新建一个自动编码器的输入autoencoder_input，再通过两个模型的分别调用（如同层的调用一样），26行可以再次建立模型。 模型可以像层一样调用，生成新的模型（keras.Model(inputs, outputs)）。
1 encoder_input = keras.Input(shape=(28, 28, 1), name='original_img') 2 x = layers.Conv2D(16, 3, activation='relu')(encoder_input) 3 x = layers.Conv2D(32, 3, activation='relu')(x) 4 x = layers.MaxPooling2D(3)(x) 5 x = layers.Conv2D(32, 3, activation='relu')(x) 6 x = layers.Conv2D(16, 3, activation='relu')(x) 7 encoder_output = layers.GlobalMaxPooling2D()(x) 8 9 encoder = keras.Model(encoder_input, encoder_output, name='encoder') 10 encoder.summary() 11 12 decoder_input = keras.Input(shape=(16,), name='encoded_img') 13 x = layers.Reshape((4, 4, 1))(decoder_input) 14 x = layers.Conv2DTranspose(16, 3, activation='relu')(x) 15 x = layers.Conv2DTranspose(32, 3, activation='relu')(x) 16 x = layers.UpSampling2D(3)(x) 17 x = layers.Conv2DTranspose(16, 3, activation='relu')(x) 18 decoder_output = layers.Conv2DTranspose(1, 3, activation='relu')(x) 19 20 decoder = keras.Model(decoder_input, decoder_output, name='decoder') 21 decoder.summary() 22 23 autoencoder_input = keras.Input(shape=(28, 28, 1), name='img') 24 encoded_img = encoder(autoencoder_input) 25 decoded_img = decoder(encoded_img) 26 autoencoder = keras.Model(autoencoder_input, decoded_img, name='autoencoder') 27 autoencoder.summary()
上述模型嵌套的方式在集成算法中比较常见，一堆弱学习机（Model）的再次组合。
下述代码真是一个简单粗暴的感知机集成模型，get_model()中为一个包含128个节点的输入层和包含1个节点的输出层构成的感知机模型。代码10-15行为集成模型的构建，同样的输入，平均的输出。
1 def get_model(): 2 inputs = keras.Input(shape=(128,)) 3 outputs = layers.Dense(1)(inputs) 4 return keras.Model(inputs, outputs) 5 6 model1 = get_model() 7 model2 = get_model() 8 model3 = get_model() 9 10 inputs = keras.Input(shape=(128,)) 11 y1 = model1(inputs) 12 y2 = model2(inputs) 13 y3 = model3(inputs) 14 outputs = layers.average([y1, y2, y3]) 15 ensemble_model = keras.Model(inputs=inputs, outputs=outputs)
操作复杂的图拓扑
通过以上的介绍，或许你觉得keras 函数式API和Sequence API相比并没有什么亮点。那是因为上述的模型结构还相对简单。 接下来，在多输入多输出模型 和 共享层中探究其精妙之处。
多输入多输出模型
函数式API可以容易的解决多输入和多输出的问题。而这在Sequential API中很难处理。
下述代码包含两个输入，两个输入分别经过LSTM产生输出后，利用特征拼接形成一个特征。再对该特征进行分别两个全连接操作，产生两个输出。而最终构成的模型。
1 num_tags = 12 # Number of unique issue tags 2 num_words = 10000 # Size of vocabulary obtained when preprocessing text data 3 num_departments = 4 # Number of departments for predictions 4 5 title_input = keras.Input(shape=(None,), name='title') # Variable-length sequence of ints 6 body_input = keras.Input(shape=(None,), name='body') # Variable-length sequence of ints 7 tags_input = keras.Input(shape=(num_tags,), name='tags') # Binary vectors of size `num_tags` 8 9 # Embed each word in the title into a 64-dimensional vector 10 title_features = layers.Embedding(num_words, 64)(title_input) 11 # Embed each word in the text into a 64-dimensional vector 12 body_features = layers.Embedding(num_words, 64)(body_input) 13 14 # Reduce sequence of embedded words in the title into a single 128-dimensional vector 15 title_features = layers.LSTM(128)(title_features) 16 # Reduce sequence of embedded words in the body into a single 32-dimensional vector 17 body_features = layers.LSTM(32)(body_features) 18 19 # Merge all available features into a single large vector via concatenation 20 x = layers.concatenate([title_features, body_features, tags_input]) 21 22 # Stick a logistic regression for priority prediction on top of the features 23 priority_pred = layers.Dense(1, name='priority')(x) 24 # Stick a department classifier on top of the features 25 department_pred = layers.Dense(num_departments, name='department')(x) 26 27 # Instantiate an end-to-end model predicting both priority and department 28 model = keras.Model(inputs=[title_input, body_input, tags_input], 29 outputs=[priority_pred, department_pred])
显示其模型结构,包含三个输入，两个输出:
在编译模型是，由于模型包含两个输出，可以为两个模型分别设置损失函数。
1 model.compile(optimizer=keras.optimizers.RMSprop(1e-3), 2 loss=[keras.losses.BinaryCrossentropy(from_logits=True), 3 keras.losses.CategoricalCrossentropy(from_logits=True)], 4 loss_weights=[1., 0.2])
为了代码的可读性，在设定损失函数时可以使用字典的方式，用于声明每个损失函数的归属。
1 model.compile(optimizer=keras.optimizers.RMSprop(1e-3), 2 loss={'priority':keras.losses.BinaryCrossentropy(from_logits=True), 3 'department': keras.losses.CategoricalCrossentropy(from_logits=True)}, 4 loss_weights=[1., 0.2])
训练模型：
1 # Dummy input data 2 title_data = np.random.randint(num_words, size=(1280, 10)) 3 body_data = np.random.randint(num_words, size=(1280, 100)) 4 tags_data = np.random.randint(2, size=(1280, num_tags)).astype('float32') 5 6 # Dummy target data 7 priority_targets = np.random.random(size=(1280, 1)) 8 dept_targets = np.random.randint(2, size=(1280, num_departments)) 9 10 model.fit({'title': title_data, 'body': body_data, 'tags': tags_data}, 11 {'priority': priority_targets, 'department': dept_targets}, 12 epochs=2, 13 batch_size=32)
更详细的训练验证指南：https://tensorflow.google.cn/guide/keras/train_and_evaluate
ResNet Model（toy version）
1 inputs = keras.Input(shape=(32, 32, 3), name='img') 2 x = layers.Conv2D(32, 3, activation='relu')(inputs) 3 x = layers.Conv2D(64, 3, activation='relu')(x) 4 block_1_output = layers.MaxPooling2D(3)(x) 5 6 x = layers.Conv2D(64, 3, activation='relu', padding='same')(block_1_output) 7 x = layers.Conv2D(64, 3, activation='relu', padding='same')(x) 8 block_2_output = layers.add([x, block_1_output]) 9 10 x = layers.Conv2D(64, 3, activation='relu', padding='same')(block_2_output) 11 x = layers.Conv2D(64, 3, activation='relu', padding='same')(x) 12 block_3_output = layers.add([x, block_2_output]) 13 14 x = layers.Conv2D(64, 3, activation='relu')(block_3_output) 15 x = layers.GlobalAveragePooling2D()(x) 16 x = layers.Dense(256, activation='relu')(x) 17 x = layers.Dropout(0.5)(x) 18 outputs = layers.Dense(10)(x) 19 20 model = keras.Model(inputs, outputs, name='toy_resnet') 21 model.summary()
看一眼它的结构：
keras.utils.plot_model(model, 'mini_resnet.png', show_shapes=True)
然后训练模型：
1 (x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data() 2 3 x_train = x_train.astype('float32') / 255. 4 x_test = x_test.astype('float32') / 255. 5 y_train = keras.utils.to_categorical(y_train, 10) 6 y_test = keras.utils.to_categorical(y_test, 10) 7 8 model.compile(optimizer=keras.optimizers.RMSprop(1e-3), 9 loss=keras.losses.CategoricalCrossentropy(from_logits=True), 10 metrics=['acc']) 11 12 model.fit(x_train, y_train, 13 batch_size=64, 14 epochs=1, 15 validation_split=0.2)
共享层
谈到共享层，便会想到Siamese Network系列的各种模型，包括图像分类，目标追踪，few shot目标检测等。了解这一类模型，便不难理解共享层在keras中的使用：
声明两个输入，将其输入到相同的层中，产生输出即可。
1 # Embedding for 1000 unique words mapped to 128-dimensional vectors 2 shared_embedding = layers.Embedding(1000, 128) 3 4 # Variable-length sequence of integers 5 text_input_a = keras.Input(shape=(None,), dtype='int32') 6 7 # Variable-length sequence of integers 8 text_input_b = keras.Input(shape=(None,), dtype='int32') 9 10 # Reuse the same layer to encode both inputs 11 encoded_input_a = shared_embedding(text_input_a) 12 encoded_input_b = shared_embedding(text_input_b)
API的延伸：使用自定义层
tf.keras中包含广泛的层，例如：
- Convolutional layers: Conv1D, Conv2D, Conv3D, Conv2DTranspose
- Pooling layers: MaxPooling1D, MaxPooling2D, MaxPooling3D, AveragePooling1D
- RNN layers: GRU, LSTM, ConvLSTM2D
- BatchNormalization, Dropout, Embedding, etc.
但如果你找不到想要的层，便可以使用API的延伸，生成自己需要的层。自定义层需要继承layers.Layer类，并定义build 和call函数：
- call函数定义具体的前向计算过程；
- build函数初始化各层的权重；
1 class CustomDense(layers.Layer): 2 def __init__(self, units=32): 3 super(CustomDense, self).__init__() 4 self.units = units 5 6 def build(self, input_shape): 7 self.w = self.add_weight(shape=(input_shape[-1], self.units), 8 initializer='random_normal', 9 trainable=True) 10 self.b = self.add_weight(shape=(self.units,), 11 initializer='random_normal', 12 trainable=True) 13 14 def call(self, inputs): 15 return tf.matmul(inputs, self.w) + self.b 16 17 18 inputs = keras.Input((4,)) 19 outputs = CustomDense(10)(inputs) 20 21 model = keras.Model(inputs, outputs)
对于自定义层中的序列化支持，定义一个get_config方法，该方法返回层实例的构造函数参数:
1 class CustomDense(layers.Layer): 2 3 def __init__(self, units=32): 4 super(CustomDense, self).__init__() 5 self.units = units 6 7 def build(self, input_shape): 8 self.w = self.add_weight(shape=(input_shape[-1], self.units), 9 initializer='random_normal', 10 trainable=True) 11 self.b = self.add_weight(shape=(self.units,), 12 initializer='random_normal', 13 trainable=True) 14 15 def call(self, inputs): 16 return tf.matmul(inputs, self.w) + self.b 17 18 def get_config(self): # 新增函数，返回构造函数中的数值 19 return {'units': self.units} 20 21 22 inputs = keras.Input((4,)) 23 outputs = CustomDense(10)(inputs) 24 25 model = keras.Model(inputs, outputs) 26 config = model.get_config() # 通过get_config来获取config信息 27 28 new_model = keras.Model.from_config( 29 config, custom_objects={'CustomDense': CustomDense})