コンテンツ概要 
 
 
 
 
 
 Keras レイヤー 建設ステップ Keras モデル Keras モデルを保存 Keras モデルチェックポイント この時点まで、Keras については言及されていないことに注意してください. You can build your own high-level API on top of Keras. そして、人々は持っている。 tf.Module このセクションでは、Keras がどのように使用するかを調べます。 Keras モデルの完全なユーザーガイドは、 . tf.Module カラスガイド Keras レイヤーとモデルには、以下を含む多くの追加機能があります。 
 
 
 
 
 
 オプション損失 メトリックのサポート トレーニングと推論の使用を区別するためのオプショントレーニングアルバムの組み込みサポート ブラックボックス機能の代わりに Python オブジェクトの保存と復元 get_config と from_config メソッドで、Python でモデルのクローン化を可能にする設定を正確に保存できます。 これらの機能は、カスタムGANやVariational AutoEncoder(VAE)モデルなどのサブクラッシングを通じて、より複雑なモデルを可能にします。 カスタムレイヤーとモデル フルガイド Kerasモデルには、トレーニング、評価、ロード、保存、さらには複数のマシンでトレーニングを容易にする追加の機能も搭載されています。 Keras レイヤー すべてのKeras層のベースクラスであり、それを相続する。 . tf.keras.layers.Layer tf.Module モジュールをKeras レイヤーに変換できるのは、マザー レイヤーを交換して、その後変更することだけです。 2位 : __call__ call class MyDense(tf.keras.layers.Layer):
  # Adding **kwargs to support base Keras layer arguments
  def __init__(self, in_features, out_features, **kwargs):
    super().__init__(**kwargs)

    # This will soon move to the build step; see below
    self.w = tf.Variable(
      tf.random.normal([in_features, out_features]), name='w')
    self.b = tf.Variable(tf.zeros([out_features]), name='b')
  def call(self, x):
    y = tf.matmul(x, self.w) + self.b
    return tf.nn.relu(y)

simple_layer = MyDense(name="simple", in_features=3, out_features=3)
 Keras layers have their own それは、次のセクションで説明されたいくつかの会計処理を行い、その後呼び出します。 機能性に変更はありません。 __call__ call() simple_layer([[2.0, 2.0, 2.0]])
 <tf.Tensor: shape=(1, 3), dtype=float32, numpy=array([[1.1688161, 0.       , 0.       ]], dtype=float32)>
 THE ステップ build 上記のように、入力形状が確実になるまで変数を作成するのを待つことは多くの場合に便利です。 Keras レイヤーは、レイヤーを定義する方法でより柔軟性を提供する追加のライフサイクルステップを搭載しています。 機能です。 build 正確に一度と呼ばれ、入力の形で呼ばれ、通常は変数(重量)を作成するために使用されます。 build You can rewrite 上の層は、その入力のサイズに柔軟であるようにする: MyDense class FlexibleDense(tf.keras.layers.Layer):
  # Note the added `**kwargs`, as Keras supports many arguments
  def __init__(self, out_features, **kwargs):
    super().__init__(**kwargs)
    self.out_features = out_features

  def build(self, input_shape):  # Create the state of the layer (weights)
    self.w = tf.Variable(
      tf.random.normal([input_shape[-1], self.out_features]), name='w')
    self.b = tf.Variable(tf.zeros([self.out_features]), name='b')

  def call(self, inputs):  # Defines the computation from inputs to outputs
    return tf.matmul(inputs, self.w) + self.b

# Create the instance of the layer
flexible_dense = FlexibleDense(out_features=3)
 この時点では、モデルは構築されていないので、変数は存在しません: flexible_dense.variables
 []
 関数を呼び出すと、適切なサイズの変数を割り当てます: # Call it, with predictably random results
print("Model results:", flexible_dense(tf.constant([[2.0, 2.0, 2.0], [3.0, 3.0, 3.0]])))
 Model results: tf.Tensor(
[[-2.531786  -5.5550847 -0.4248762]
 [-3.7976792 -8.332626  -0.6373143]], shape=(2, 3), dtype=float32)
 flexible_dense.variables
 [<tf.Variable 'flexible_dense/w:0' shape=(3, 3) dtype=float32, numpy=
 array([[-0.77719826, -1.9281565 ,  0.82326293],
        [ 0.85628736, -0.31845194,  0.10916236],
        [-1.3449821 , -0.5309338 , -1.1448634 ]], dtype=float32)>,
 <tf.Variable 'flexible_dense/b:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>]
 以来 1 回のみ呼び出される場合、入力形状がレイヤーの変数と互換性がない場合は、入力が拒否されます。 build try:
  print("Model results:", flexible_dense(tf.constant([[2.0, 2.0, 2.0, 2.0]])))
except tf.errors.InvalidArgumentError as e:
  print("Failed:", e)
 Failed: Exception encountered when calling layer 'flexible_dense' (type FlexibleDense).

{ {function_node __wrapped__MatMul_device_/job:localhost/replica:0/task:0/device:CPU:0} } Matrix size-incompatible: In[0]: [1,4], In[1]: [3,3] [Op:MatMul] name: 

Call arguments received by layer 'flexible_dense' (type FlexibleDense):
  • inputs=tf.Tensor(shape=(1, 4), dtype=float32)
 Keras モデル あなたはあなたのモデルをネストされたKerasレイヤーとして定義することができます。 しかし、Kerasはまた、フル機能モデルクラスを提供します。 相続したのは、 Keras モデルは、Keras モデルは、Keras モデルと同様に使用および組み込むことができます Keras モデルは、複数のマシンで訓練し、評価し、ロードし、保存し、さらには訓練するのを容易にする追加の機能を備えています。 tf.keras.Model tf.keras.layers.Layer You can define the 上からほぼ同一のコードで、再び変換 2位 親を変える: SequentialModule __call__ call() @keras.saving.register_keras_serializable()
class MySequentialModel(tf.keras.Model):
  def __init__(self, name=None, **kwargs):
    super().__init__(**kwargs)

    self.dense_1 = FlexibleDense(out_features=3)
    self.dense_2 = FlexibleDense(out_features=2)
  def call(self, x):
    x = self.dense_1(x)
    return self.dense_2(x)

# You have made a Keras model!
my_sequential_model = MySequentialModel(name="the_model")

# Call it on a tensor, with random results
print("Model results:", my_sequential_model(tf.constant([[2.0, 2.0, 2.0]])))
 Model results: tf.Tensor([[ 0.26034355 16.431221  ]], shape=(1, 2), dtype=float32)
 トラッキング変数やサブモジュールを含むすべての同じ機能が利用できます。 
 
 注: Keras レイヤーまたはモデルの内側に埋め込まれた原始 tf.Module は、その変数をトレーニングまたは保存のために収集することはありません。 注: Keras レイヤーまたはモデルの内側に埋め込まれた原始 tf.Module は、その変数をトレーニングまたは保存のために収集することはありません。 my_sequential_model.variables
 [<tf.Variable 'my_sequential_model/flexible_dense_1/w:0' shape=(3, 3) dtype=float32, numpy=
 array([[ 1.4749854 ,  0.16090827,  2.2669017 ],
        [ 1.6850946 ,  1.1545411 ,  0.1707306 ],
        [ 0.8753734 , -0.13549292,  0.08751986]], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_1/b:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_2/w:0' shape=(3, 2) dtype=float32, numpy=
 array([[-0.8022977 ,  1.9773549 ],
        [-0.76657015, -0.8485579 ],
        [ 1.6919082 ,  0.49000967]], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_2/b:0' shape=(2,) dtype=float32, numpy=array([0., 0.], dtype=float32)>]
 my_sequential_model.submodules
 (<__main__.FlexibleDense at 0x7f790c7e0e80>,
 <__main__.FlexibleDense at 0x7f790c7e6940>)
 乗り越え TensorFlow モデルを構築するための非常に Pythonic アプローチです. あなたが他のフレームワークからモデルを移行している場合は、これは非常に簡単です。 tf.keras.Model 既存の層や入力の単純な組み合わせであるモデルを構築している場合は、使用することにより時間とスペースを節約できます。 , モデル再構築とアーキテクチャの周りの追加機能が付属しています。 機能 API 以下は、Functional API と同じモデルです。 inputs = tf.keras.Input(shape=[3,])

x = FlexibleDense(3)(inputs)
x = FlexibleDense(2)(x)

my_functional_model = tf.keras.Model(inputs=inputs, outputs=x)

my_functional_model.summary()
 Model: "model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 input_1 (InputLayer)        [(None, 3)]               0         
                                                                 
 flexible_dense_3 (Flexible  (None, 3)                 12        
 Dense)                                                          
                                                                 
 flexible_dense_4 (Flexible  (None, 2)                 8         
 Dense)                                                          
                                                                 
=================================================================
Total params: 20 (80.00 Byte)
Trainable params: 20 (80.00 Byte)
Non-trainable params: 0 (0.00 Byte)
_________________________________________________________________
 my_functional_model(tf.constant([[2.0, 2.0, 2.0]]))
 <tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[3.4276495, 2.937252 ]], dtype=float32)>
 ここで主な違いは、入力形状が機能的な建設プロセスの一部として前面に指定されているということです。 argument in this case does not have to be fully specified; you can leave some dimensions as . input_shape None 
 
 注: サブクラス化されたモデルで input_shape または InputLayer を指定する必要はありません; これらのアルゴリズムとレイヤーは無視されます。 具体化する必要はありません。 あるいは サブクラス化されたモデルで、これらの論点やレイヤーは無視されます。 Note: input_shape InputLayer Keras モデルを保存 Keras モデルは、独自の専門の zip アーカイブ保存フォーマットを持っています。 延長 呼び出し時 追加A ファイル名の拡張は、例えば、 .keras tf.keras.Model.save .keras my_sequential_model.save("exname_of_file.keras")
 同様に簡単に、彼らは再びロードすることができます: reconstructed_model = tf.keras.models.load_model("exname_of_file.keras")
 ZIPアーカイブ - ファイル - また、メトリック、損失、および最適化ステータスを保存します。 .keras この再構築されたモデルは使用することができ、同じデータに呼び出された場合に同じ結果を生成します。 reconstructed_model(tf.constant([[2.0, 2.0, 2.0]]))
 <tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[ 0.26034355, 16.431221  ]], dtype=float32)>
 Keras モデルチェックポイント Kerasモデルもチェックポイントできますし、それは同じように見えます。 . tf.Module Keras モデルの保存と連続化について、機能サポートのためのカスタム レイヤーの構成方法を提供するなど、もっと知ることができます。 . 節約と連続化のためのガイド 次は何 ケラスについて詳しく知りたい場合は、既存のケラスガイドに従ってください。 . ここ 高レベルのAPIを構築したもう一つの例 ディープミンド(DeepMind)のソネット(Sonnet)です。 . tf.module 彼らのサイト 
 
 最初はTensorFlowのウェブサイトに掲載され、この記事はここに新しいタイトルの下に表示され、CC BY 4.0でライセンスを受けています。 最初はTensorFlowのウェブサイトに掲載され、この記事はここに新しいタイトルの下に表示され、CC BY 4.0でライセンスを受けています。 TensorFlowについて

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

このオーディオは、ストーリーの元の言語で制作されています。

Keras と tf.Module を使用してモデルを構築、訓練、保存する

About Author

コメント

ラベル

この記事は

Related Stories

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

クラウド移行を成功させるための完全ガイド: 戦略とベストプラクティス

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

ユニークなエコシステムを支えるビットコインUTXOのモデル

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

クラウド移行を成功させるための完全ガイド: 戦略とベストプラクティス

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

ユニークなエコシステムを支えるビットコインUTXOのモデル

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps