【小白學PyTorch】18.TF2構(gòu)建自定義模型

參考目錄：

• 1 創(chuàng)建自定義網(wǎng)絡(luò)層

• 2 創(chuàng)建一個完整的CNN

• 2.1 keras.Model vs keras.layers.Layer

之前講過了如何用tensorflow構(gòu)建數(shù)據(jù)集，然后這一節(jié)課講解如何用Tensorflow2.0來創(chuàng)建模型。

TF2.0中創(chuàng)建模型的API基本上都放到了它的Keras中了，Keras可以理解為TF的高級API，里面封裝了很多的常見網(wǎng)絡(luò)層、常見損失函數(shù)等。后續(xù)會詳細介紹keras的全面功能，本篇文章講解如何構(gòu)建模型。

1 創(chuàng)建自定義網(wǎng)絡(luò)層

import?tensorflow?as?tf
import?tensorflow.keras?as?keras

class?MyLayer(keras.layers.Layer):
????def?__init__(self,?input_dim=32,?output_dim=32):
????????super(MyLayer,?self).__init__()

????????w_init?=?tf.random_normal_initializer()
????????self.weight?=?tf.Variable(
????????????initial_value=w_init(shape=(input_dim,?output_dim),?dtype=tf.float32),
????????????trainable=True)?#?如果是false則是不參與梯度下降的變量

????????b_init?=?tf.zeros_initializer()
????????self.bias?=?tf.Variable(initial_value=b_init(
????????????shape=(output_dim),?dtype=tf.float32),?trainable=True)

????def?call(self,?inputs):
????????return?tf.matmul(inputs,?self.weight)?+?self.bias


x?=?tf.ones((3,5))
my_layer?=?MyLayer(input_dim=5,
???????????????????output_dim=10)
out?=?my_layer(x)
print(out.shape)
>>>?(3,?10)

這個就是定義了一個TF的網(wǎng)絡(luò)層，其實可以看出來和PyTorch定義的方式非常的類似：

• 這個類要繼承tf.keras.layers.Layer,這個pytorch中要繼承torch.nn.Module類似；
• 網(wǎng)絡(luò)層的組件在__def__中定義，和pytorch的模型類相同；
• call()和pytorch中的forward()的類似。

上面代碼中實現(xiàn)的是一個全連接層的定義，其中可以看到使用tf.random_normal_initializer()來作為參數(shù)的初始化器，然后用tf.Variable來產(chǎn)生網(wǎng)絡(luò)層中的權(quán)重變量，通過trainable=True這個參數(shù)說明這個權(quán)重變量是一個參與梯度下降的可以訓練的變量。

我通過tf.ones((3,5))產(chǎn)生一個shape為[3,5]的一個全是1的張量，這里面第一維度的3表示有3個樣本，第二維度的5就是表示要放入全連接層的數(shù)據(jù)（全連接層的輸入是5個神經(jīng)元）；然后設(shè)置的全連接層的輸出神經(jīng)元數(shù)量是10，所以最后的輸出是(3,10)。

2 創(chuàng)建一個完整的CNN

import?tensorflow?as?tf
import?tensorflow.keras?as?keras

class?CBR(keras.layers.Layer):
????def?__init__(self,output_dim):
????????super(CBR,self).__init__()
????????self.conv?=?keras.layers.Conv2D(filters=output_dim,?kernel_size=4,?padding='same',?strides=1)
????????self.bn?=?keras.layers.BatchNormalization(axis=3)
????????self.ReLU?=?keras.layers.ReLU()

????def?call(self,?inputs):
????????inputs?=?self.conv(inputs)
????????inputs?=?self.ReLU(self.bn(inputs))
????????return?inputs

class?MyNet(keras.Model):
????def?__init__?(self,input_dim=3):
????????super(MyNet,self).__init__()
????????self.cbr1?=?CBR(16)
????????self.maxpool1?=?keras.layers.MaxPool2D(pool_size=(2,2))
????????self.cbr2?=?CBR(32)
????????self.maxpool2?=?keras.layers.MaxPool2D(pool_size=(2,2))

????def?call(self,?inputs):
????????inputs?=?self.maxpool1(self.cbr1(inputs))
????????inputs?=?self.maxpool2(self.cbr2(inputs))
????????return?inputs

model?=?MyNet(3)
data?=?tf.random.normal((16,224,224,3))
output?=?model(data)
print(output.shape)
>>>?(16,?56,?56,?32)

這個是構(gòu)建了一個非常簡單的卷積網(wǎng)絡(luò)，結(jié)構(gòu)是常見的：卷積層+BN層+ReLU層。可以發(fā)現(xiàn)這里繼承的一個tf.keras.Model這個類。

2.1 keras.Model vs keras.layers.Layer

Model比Layer的功能更多，反過來說，Layer的功能更精簡專一。

• Layer:僅僅用作張量的操作，輸入一個張量，輸出也要求是一個張量，對張量的操作都可以用Layer來封裝；
• Model：一個更加復(fù)雜的結(jié)構(gòu)，由多個Layer組成。 Model的話，可以使用.fit(),.evaluate()，.predict()等方法來快速訓練。保存和加載模型也是在Model這個級別進行的。

現(xiàn)在說一說上面的代碼和pytorch中的區(qū)別，作為一個對比學習、也作為一個對pytorch的回顧：

• 卷積層Conv2D中，Keras中不用輸入輸入的通道數(shù)，filters就是卷積后的輸出特征圖的通道數(shù)；而PyTorch的卷積層是需要輸入兩個通道數(shù)的參數(shù)，一個是輸入特征圖的通道數(shù)，一個是輸出特征圖的通道數(shù)；
• keras.layers.BatchNormalization(axis=3)是BN層，這里的axis=3說明第三個維度（從0開始計數(shù)）是通道數(shù)，是需要作為批歸一化的維度（這個了解BN算法的朋友應(yīng)該可以理解吧，不了解的話去重新看我之前剖析BN層算法的那個文章吧，在文章末尾有相關(guān)鏈接）。pytorch的圖像的四個維度是：

而tensorflow是：

總之，學了pytorch之后，再看keras的話，對照的keras的API，很多東西都直接就會了，兩者的API越來越相似了。

上面最后輸出是(16, 56, 56, 32)，輸入的是的維度，然后經(jīng)過兩個最大池化層，就變成了了。

到此為止，我們現(xiàn)在應(yīng)該是可以用keras來構(gòu)建模型了。