TensorFlow的11個(gè)使用技巧整理說明

　　TensorFlow2.x在構(gòu)建模型和總體使用方面提供了很多便利。那么，在tf中有什么新功能？

　　使用Keras輕松進(jìn)行模型構(gòu)建;

　　在任何平臺(tái)上的生產(chǎn)中都可以進(jìn)行穩(wěn)健的模型部署;

　　強(qiáng)大的研究實(shí)驗(yàn);

　　通過清理不推薦使用的API來簡(jiǎn)化各個(gè)步驟

　　在本文中，我們將探索TF 2.0的10個(gè)功能，這些功能讓TensorFlow的使用更加順暢，減少了代碼行并提高了效率，因?yàn)檫@些函數(shù)/類屬于TensorFlow API。

　　1.用于構(gòu)建輸入管道的tf.data API

　　tf.data API提供了用于數(shù)據(jù)管道和相關(guān)操作的功能。 我們可以構(gòu)建管道，映射預(yù)處理功能，洗牌或批量處理數(shù)據(jù)集等等。

　　利用張量構(gòu)建管道

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）

　　》》》 iter（dataset）.next（）.numpy（）

　　8

　　洗牌和批量處理數(shù)據(jù)集

　　# Shuffle

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.shuffle（6）

　　》》》 iter（dataset）.next（）.numpy（）

　　0

　　# Batch

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.batch（2）

　　》》》 iter（dataset）.next（）.numpy（）

　　array（［8， 3］， dtype=int32）

　　# Shuffle and Batch

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.shuffle（6）.batch（2）

　　》》》 iter（dataset）.next（）.numpy（）

　　array（［3， 0］， dtype=int32）

　　壓縮兩個(gè)數(shù)據(jù)集

　　》》》 dataset0 = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）

　　》》》 dataset1 = tf.data.Dataset.from_tensor_slices（［1， 2， 3， 4， 5， 6］）

　　》》》 dataset = tf.data.Dataset.zip（（dataset0， dataset1））

　　》》》 iter（dataset）.next（）

　?。?， ）

　　映射外部函數(shù)

　　def into_2（num）：

　　return num * 2

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.map（into_2）

　　》》》 iter（dataset）.next（）.numpy（）

　　16

　　2. 圖像數(shù)據(jù)生成器

　　這是tensorflow.keras API的最佳特性之一（在我看來）。圖像數(shù)據(jù)生成器能夠在批處理和預(yù)處理過程中生成數(shù)據(jù)集切片，并實(shí)時(shí)進(jìn)行數(shù)據(jù)擴(kuò)充。

　　生成器允許直接從目錄或數(shù)據(jù)幀進(jìn)行數(shù)據(jù)流。

　　對(duì)圖像數(shù)據(jù)生成器中的數(shù)據(jù)擴(kuò)充的一個(gè)誤解是，它向現(xiàn)有的數(shù)據(jù)集中添加了更多的數(shù)據(jù)。雖然這是數(shù)據(jù)增強(qiáng)的實(shí)際定義，但在圖像數(shù)據(jù)生成器中，數(shù)據(jù)集中的圖像在訓(xùn)練過程中會(huì)在不同的步驟進(jìn)行動(dòng)態(tài)轉(zhuǎn)換，這樣模型就可以在沒有看到的噪聲數(shù)據(jù)上進(jìn)行訓(xùn)練。