TensorFlow 1.9 新增 tf.keras 官方入門教程(Keras與TF的深度集成)

【導讀】Keras是深度學習框架中最適合工程化的框架之一，具有簡單友好的接口。TensorFlow雖然功能強大，但是對於工程師來說，它的使用卻十分的繁瑣。好消息是Keras的許多核心功能已經融入了原生的TensorFlow（tf.keras），TensorFlow 1.9新增tf.keras官方入門文檔，介紹了tf.keras的使用。

這幾天打開TensorFlow的官方教程頁（https://www.tensorflow.org/tutorials/），會發現教程頁中給出的DEMO變成了基於tf.keras的教程。其實，tf.keras模塊早就存在於老版本的TensorFlow中，官方一直在完善它的功能。在TensorFlow 1.9放出了tf.keras的官方教程，看來是tf.keras模塊已經做得很穩定了。

用過Keras的都知道，對於工程來說，Keras相對於TensorFlow具有更友好的接口、更簡潔的代碼以及一些常用的工具類。例如，Keras Applications是Keras提供的一套非常好用的模型庫，直接包含了下面的模型，簡直就是工程師的瑞士軍刀：

Xception

VGG16

VGG19

ResNet50

InceptionV3

InceptionResNetV2

MobileNet

DenseNet

NASNet

MobileNetV2

例如通過下面的代碼就可以直接使用VGG 16提取特徵：

from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
import numpy as np

model = VGG16(weights='imagenet', include_top=False)

img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)

features = model.predict(x)

雖然現在Keras的主流是使用TensorFlow作為內核，但是直接混用Keras和TensorFlow還是很有難度的。在Keras中使用TensorFlow要按照Keras的規範使用TensorFlow來定製各種層，還是比較繁瑣的。tf.keras使得TensorFlow和Keras進行了深度的融合，不需要安裝Keras，就可以在TensorFlow中直接使用Keras的各種功能，而且tf.keras中的模塊是按照TensorFlow的規範定製的，自身就是原生的TensorFlow程序，可以和你原來寫的TensorFlow代碼進行無縫接軌。

在TensorFlow的官方文檔中，可以找到名為tf.keras.applications的Module ( https://www.tensorflow.org/api_docs/python/tf/keras/applications )，並且，keras.applications下的模型幾乎都被搬運了過來。

densenet module: DenseNet models for Keras.

inception_resnet_v2 module: Inception-ResNet V2 model for Keras.

inception_v3 module: Inception V3 model for Keras.

mobilenet module: MobileNet v1 models for Keras.

nasnet module: NASNet-A models for Keras.

resnet50 module: ResNet50 model for Keras.

vgg16 module: VGG16 model for Keras.

vgg19 module: VGG19 model for Keras.

xception module: Xception V1 model for Keras.

可以看一下用tf.keras構建模型有多麼容易，下面的例子與Keras的寫法差不多。同樣的模型使用TensorFlow靜態圖來構建可能需要兩倍以上的代碼量：

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
 tf.keras.layers.Flatten(),
 tf.keras.layers.Dense(512, activation=tf.nn.relu),
 tf.keras.layers.Dropout(0.2),
 tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam',
             loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

另外值得一提的是，tf.keras在TensorFlow的動態圖（Eager）中也扮演著重要的作用，在TensorFlow Eager的官方教程中，推薦使用tf.keras.Model來封裝模型：

https://www.tensorflow.org/guide/eager

class MNISTModel(tf.keras.Model):
 def __init__(self):
   super(MNISTModel, self).__init__()
   self.dense1 = tf.keras.layers.Dense(units=10)
   self.dense2 = tf.keras.layers.Dense(units=10)

 def call(self, input):
   """Run the model."""
   result = self.dense1(input)
   result = self.dense2(result)
   result = self.dense2(result)  # reuse variables from dense2 layer
   return result

model = MNISTModel()

除了tf.keras，TensorFlow 1.9發布了更多的和動態圖相關的教程。

參考連結：https://www.tensorflow.org/tutorials/

人工智慧領域主題知識資料查看與加入專知人工智慧服務群：

【專知AI服務計劃】專知AI知識技術服務會員群加入與人工智慧領域26個主題知識資料全集獲取。歡迎微信掃一掃加入專知人工智慧知識星球群，獲取專業知識教程視頻資料和與專家交流諮詢！

請PC登錄www.zhuanzhi.ai或者點擊閱讀原文，註冊登錄專知，獲取更多AI知識資料！

請加專知小助手微信（掃一掃如下二維碼添加），加入專知主題群（請備註主題類型：AI、NLP、CV、 KG等）交流~

請關注專知公眾號，獲取人工智慧的專業知識！

點擊「閱讀原文」，使用專知