TensorFlow 功能 API 简介-编程阁

原文：towardsdatascience.com/introduction-to-tensorflows-functional-api-b0c489da3d52

TensorFlow 的Sequential API帮助用户堆叠层，轻松创建线性模型，其中每一层的输入总是前一层输出。但是，当你的模型需要处理多个输入或输出、共享层或非线性连接时，会发生什么？在这些场景中，TensorFlow 的功能 API允许构建更高级、更灵活和可定制的模型，使用户能够轻松设计上述复杂架构。

本文将解释：

功能 API 是什么
如何使用功能 API 构建简单模型

Tensorflow 的功能 API 是什么？

TensorFlow 的功能 API是一种创建模型的方式，其中层像网络图一样连接，而不仅仅是像Sequential API中那样线性堆叠。想象一下用乐高积木搭建：虽然 Sequential API 只会允许我们堆叠积木，但功能 API 允许我们构建桥梁、塔楼和连接不同区域的路径。

TensorFlow 的功能 API 允许你创建比顺序 API 更复杂模型的主要原因有三个：

允许构建具有多个输入和输出（如同时接受图像和文本作为输入或同时输出分类和回归值的模型）的模型。
允许构建具有共享层（在模型中，两个路径复用相同的层）的模型。
允许构建具有分支路径（如 ResNet，其中层“跳过”连接）的模型。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/2afd9581cec319ca7b13c13373b45d70.png

顺序 API 和功能 API 的通用性差异。图由作者提供

功能 API 的工作原理

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/7301dcfa241b939abb752f0d5ae9c19c.png

使用功能 API 创建模型所需的三个组件：输入、层和模型。图由作者提供

如上图所示，每次使用 TensorFlow 的功能 API 时，都需要定义三个基本组件：输入、层和模型。在下面的代码块中，将展示并解释这些组件的定义。

输入

fromtensorflow.keras.layersimportInput# Define inputinputs=Input(shape=(28,28,1))

如上图所示，tf.keras.layers.Input 类在构造函数中接收数据的形状，在本例中为(28, 28, 1)，这是 28×28 灰度图像的形状。

层

fromtensorflow.keras.layersimportDense,Flatten# Define layersflatten_layer=Flatten()hidden_layer_1=Dense(128,activation='relu')hidden_layer_2=Dense(64,activation='relu')output_layer=Dense(10,activation='softmax')

在功能 API 中，当你用一个输入调用一个层实例时，它将返回通过层前向传播接收到的输入的结果。正因为如此，通过调用层实例的其他层的输出来创建层链，即连接某些层的输出到其他层的输入。

如下代码所示，在创建 tf.keras.Sequential 对象时，序列 API 层通过列表顺序链接，而功能 API 层通过将层输入与层输出连接来链接，通过调用层实例的其他层的输出。

# Sequential APImodel=tf.keras.Sequential(layers=[inputs,flatten,hidden_layer_1,hidden_layer_2,output_layer])# Functional APIx=flatten_layer(inputs)x=hidden_layer_1(x)x=hidden_layer_2(x)outputs=output_layer(x)

模型

fromtensorflow.keras.modelsimportModel model=Model(inputs=inputs,outputs=output_layer)

tf.keras.models.Model 类需要的唯一信息是哪些是输入层和输出层。

代码示例：使用功能 API 创建和训练模型

在本节中，将创建一个简单的神经网络并将其用于分类 10 个类别（数字 0-9）。用于训练和测试模型的将是流行的公共 MNIST 数据集[1]，该数据集包含 60000 张 0 到 9 之间的手写单个数字的图像，每个图像的高度和宽度为 28 像素。

<…/Images/526b893b8a6d608ee3fea3d2ca079468.png>

MNIST 数据集图像及其标签的示例。图像来自GeeksForGeeks [1]

使用功能 API 创建模型

如前所述，正确定义 tensorflow 模型需要 3 个组件：输入、层和模型。这三个组件可以很容易地创建，如前节的代码所示。以下代码使用相同的代码创建输入、层和模型。最后，显示了模型的摘要，以便可以检查和审查模型的结构。

fromtensorflow.keras.layersimportInput,Dense,Flattenfromtensorflow.keras.modelsimportModel# Define the input layerinputs=Input(shape=(28,28,1))# Input with 32 features# Define the hidden and output layers and pass the input through themx=Flatten()(inputs)x=Dense(128,activation='relu')(x)x=Dense(64,activation='relu')(x)# Pass the output of the hidden layers through the output layeroutputs=Dense(10,activation='softmax')(x)# Create the modelmodel=Model(inputs=inputs,outputs=outputs)# Print the model summarymodel.summary()

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/14871f8fd9462d0cc17d7c61ce5b3da4.png

使用功能 API 创建的模型摘要。图由作者提供。

加载和预处理数据

一旦定义了模型，就会加载并预处理用于训练和测试模型的数据。

fromtensorflow.keras.datasetsimportmnistfromtensorflow.keras.utilsimportto_categorical(x_train,y_train),(x_test,y_test)=mnist.load_data()x_train=x_train/255.0x_test=x_test/255.0y_train=to_categorical(y_train,10)y_test=to_categorical(y_test,10)

编译 TF 模型

模型通过传递用于训练的优化器和损失函数以及要计算和打印的指标来编译。

model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])

训练和测试模型

最后，创建并编译的模型将在 MNIST 数据上训练和评估。这次训练将持续 5 个周期，并使用 32 张图像的批次。此外，20% 的数据将作为验证数据，将在训练过程中使用，以提供有关模型是否正确训练的洞察信息。

# Train the modelhistory=model.fit(x_train,y_train,epochs=5,batch_size=32,validation_split=0.2)# Evaluate the model on the test settest_loss,test_acc=model.evaluate(x_test,y_test,verbose=2)print("nTest accuracy: {}".format(test_acc*100))

从训练模型获取预测

为了评估训练模型的性能，一些测试数据被传递通过模型以获得预测。这些预测值以及期望值被打印出来，以便可视化预测值与真实值之间的差异。

# Select a few random samples from the test setimportrandomimportnumpyasnp indices=random.sample(range(len(x_test)),5)x_samples=x_test[indices]y_samples=y_test[indices]# Make predictionspredictions=model.predict(x_samples)# Display predictions and true valuesforiinrange(5):print(f" Prediction:{np.argmax(predictions[i])}")print(f" Expected Value:{np.argmax(y_samples[i])}")print("-"*30)

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1164be256b3d0fc7b83fb277b83be25c.png

预测值与期望值之间的比较。图片由作者提供

从模型的评估中可以推断出，训练是成功的，在测试集上达到了 97.57%的准确率，在训练集上达到了 98.68%的准确率。这些值在上面的图像中得到了进一步证实，其中显示了测试集中一些图像的预测值和期望标签：模型正确预测了所有图像的类别。

摘要

在这篇文章中，已经提到了函数式 API 和顺序 API 之间的主要区别，并解释了使用函数式 API 编码神经网络的通用性和灵活性。以函数式 API 构建模型的主要三个组件（输入、层和模型）在代码中进行了展示和定义。最后，文章展示了如何使用 MNIST 数据集成功训练和测试使用函数式 API 创建的模型。