TensorFlow 高级 API – Keras

TensorFlow 高级 API – Keras 简介

Keras 是 TensorFlow 2.x 集成的高级 API，用于快速构建、训练和部署机器学习模型。它简化了 TensorFlow 的复杂性，提供直观、用户友好的接口，适合初学者和快速原型开发，同时保留了灵活性以支持高级定制。以下是 Keras 的核心概念、功能和使用示例，重点介绍其在 TensorFlow 中的应用。

---

1. Keras 核心概念

• 层（Layers）：Keras 模型由层组成，每层定义了数据如何转换（如全连接层、卷积层）。
• 模型（Models）：Keras 提供三种模型构建方式：
• Sequential：线性堆叠层，适合简单模型。
• Functional API：支持复杂拓扑结构（如多输入/多输出模型）。
• Model 子类化：完全自定义模型，适合复杂逻辑。
• 编译（Compile）：指定优化器、损失函数和评估指标。
• 训练（Fit）：通过数据迭代优化模型参数。
• 回调（Callbacks）：在训练过程中执行特定操作（如保存模型、早停）。

---

2. 主要功能

• 内置层：包括 Dense（全连接）、Conv2D（卷积）、LSTM（循环神经网络）、Embedding 等。
• 数据预处理：支持 tf.keras.preprocessing（如图像增强、文本分词）。
• 模型保存与加载：支持 HDF5 格式或 SavedModel 格式。
• 自定义能力：支持自定义层、损失函数、指标和模型。
• 与 TensorFlow 生态集成：无缝使用 tf.data、TensorBoard 和 TensorFlow Hub。

---

3. 快速入门示例：使用 Sequential 模型

以下是一个使用 Keras Sequential 模型进行 MNIST 手写数字分类的示例：

import tensorflow as tf
from tensorflow.keras import layers, models

# 1. 加载和预处理数据
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0  # 归一化到 [0,1]

# 2. 构建 Sequential 模型
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),  # 展平 28x28 图像
    layers.Dense(128, activation='relu'),  # 隐藏层，128 神经元
    layers.Dropout(0.2),                   # 防止过拟合
    layers.Dense(10, activation='softmax') # 输出层，10 个类别
])

# 3. 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 4. 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.2)

# 5. 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'测试准确率: {test_acc:.4f}')

输出：训练 5 个 epoch 后，测试准确率通常在 97%-98%。

解释：

• Flatten：将 28×28 图像展平为 784 维向量。
• Dense：全连接层，relu 增加非线性，softmax 输出分类概率。
• Dropout：随机丢弃 20% 神经元，防止过拟合。
• compile：设置优化器（Adam）、损失函数（交叉熵）和指标（准确率）。
• fit：用 80% 训练数据训练，20% 用于验证。

---

4. 使用 Functional API

Functional API 适合复杂模型（如多输入/输出）。以下是一个示例：

from tensorflow.keras import Input, layers, Model

# 定义输入
inputs = Input(shape=(28, 28))
x = layers.Flatten()(inputs)
x = layers.Dense(128, activation='relu')(x)
x = layers.Dropout(0.2)(x)
outputs = layers.Dense(10, activation='softmax')(x)

# 构建模型
model = Model(inputs=inputs, outputs=outputs)

# 编译和训练
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, batch_size=32)

优势：可以定义非线性拓扑，如分支或共享层。

---

5. Model 子类化

适合高度自定义的模型，需定义 call 方法：

class MyModel(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.flatten = layers.Flatten()
        self.dense1 = layers.Dense(128, activation='relu')
        self.dropout = layers.Dropout(0.2)
        self.dense2 = layers.Dense(10, activation='softmax')

    def call(self, inputs):
        x = self.flatten(inputs)
        x = self.dense1(x)
        x = self.dropout(x)
        return self.dense2(x)

# 实例化并编译
model = MyModel()
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, batch_size=32)

适用场景：动态模型、复杂计算逻辑。

---

6. 常用 Keras 功能

常见层

• 卷积层：layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu')
• 池化层：layers.MaxPooling2D(pool_size=(2, 2))
• 循环层：layers.LSTM(units=64)
• 正则化：layers.Dropout, layers.BatchNormalization

数据预处理

• 图像增强：

  datagen = tf.keras.preprocessing.image.ImageDataGenerator(
      rotation_range=10, zoom_range=0.1, horizontal_flip=True)
  datagen.fit(x_train)

• 文本处理：tf.keras.preprocessing.text.Tokenizer

回调（Callbacks）

控制训练过程：

callbacks = [
    tf.keras.callbacks.ModelCheckpoint('best_model.h5', save_best_only=True),  # 保存最佳模型
    tf.keras.callbacks.EarlyStopping(patience=3)  # 早停
]
model.fit(x_train, y_train, epochs=10, callbacks=callbacks)

模型保存与加载

model.save('model.h5')  # 保存模型
loaded_model = tf.keras.models.load_model('model.h5')  # 加载模型

---

7. 与 TensorFlow 生态的集成

• tf.data：高效数据管道。

  dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32).shuffle(1000)
  model.fit(dataset, epochs=5)

• TensorBoard：可视化训练过程。

  callbacks = [tf.keras.callbacks.TensorBoard(log_dir='./logs')]
  model.fit(x_train, y_train, epochs=5, callbacks=callbacks)
  # 运行：tensorboard --logdir ./logs

• TensorFlow Hub：加载预训练模型。

  import tensorflow_hub as hub
  model = tf.keras.Sequential([hub.KerasLayer("https://tfhub.dev/google/imagenet/resnet_v2_50/classification/5")])

---

8. 性能优化

• 批量大小：调整 batch_size（如 32、64）平衡速度和内存。
• 混合精度训练：

  from tensorflow.keras import mixed_precision
  policy = mixed_precision.Policy('mixed_float16')
  mixed_precision.set_global_policy(policy)

• GPU 加速：确保 TensorFlow GPU 版本正确安装（见环境搭建）。

---

9. 总结

Keras 作为 TensorFlow 的高级 API，通过 Sequential、Functional API 和 Model 子类化提供了从简单到复杂的建模能力。其内置层、预处理工具和回调功能简化了开发流程，与 tf.data 和 TensorBoard 等生态工具无缝集成。

如果你需要更具体的 Keras 示例（如 CNN、RNN）、某功能深入讲解，或想生成训练过程中的损失/准确率图表，请告诉我！