TensorFlow 2.0中关于Keras的一些新功能和重大变化

TensorFlow 2.0中关于Keras的一些新功能和重大变化

而且未来所有的 tf.contrib 都会被弃用，对于每个 contrib 模块，要么 a）将项目集成到 TensorFlow 中；b）将其移至单独的存储库；c）完全将其移除。

TensorFlow 2.0 版本发布在即。我们会先解答下大家比较关注的几个问题，然后我们会介绍 TensorFlow2.0中关于Keras 的一些新功能和重大变化，如Sequential API、Functional API、Model Subclassing API 与 Estimators 等。

FAQ

▌1、问：Keras 是否是一个独立的库？

答：其实，更应该把 Keras 视为一个 API。Keras 一直作为一个开源项目进行维护，大家可以在 （keras.io.）中找到。这个项目一直独立于 TensorFlow，并且拥有一个活跃的贡献者社区和用户社区。在 tf.keras 模块里，TensorFlow 有一个特定增强功能的完整 Keras API 实现。

▌2、问：Keras 只是 TensorFlow 或其他库的一个包装器吗？

▌3、问：TensorFlow 内置的 Keras 版本与 keras.io 上的版本有什么区别？

答：TensorFlow 包含 Keras API（在 tf.kerasmodule 中）的实现，具有 TensorFlow 特定的增强功能，包括支持EagerExecution，方便直观调试和快速迭代，支持 TensorFlow SavedModel模型交换格式，以及分布式训练（包括 TPU）。

当用到 tf.keras 模块的子类 API 时，Eager Execution 特别有用。这类 API 受到 Chainer 的启发，大家通过命令行就可以编写模型。tf.keras 与 TensorFlow 的生态系统紧密结合，可以支持：

tf.data 用于构建高性能的输入流。你可以用 Numpy 处理的数据来训练模型，或者用 tf.data 来衡量规模和性能。

特征列，用于有效地表示和分类结构化数据。

如何安装 tf.keras？我是否需要先通过 pip 安装 Keras ？

因为 tf.keras 是包含在 TensorFlow 内的，所以，大家不用单独安装 Keras。如果在 Colab 中你可以直接运行下面的代码：

▌5、TensorFlow 为专家和新手提供了不同 API，如何使用？

TensorFlow 的开发者们经验、层次都不同，有刚接触 ML 的学生们、也有 ML 领域的专家或研究者。而 TensorFlow 的一个优点就是它提供了不同的 APIs 支持不同的工作流和目标。这也是 TensorFlow 的 Keras 集成的一个主要目标，可以让用户选择对自己更有益处的部分，而无需采用 Keras 的整体框架。

Sequential API

参考案例：

定义模型的最常用方法是构建神经网络的层图，最简单的模型类型是把这些层堆叠起来。 你可以使用 Sequential API 来定义这样的模型，如下所示：

在 “Learn and UseML”章节下面，你可以找到更多使用 the Sequential API 的教程，参考链接：

Functional API

当然，顺序模型是一个简单的神经网络层堆栈，不能代表任何模型。不过，你可以使用 Functional API 来构建更高级的模型，定义复杂的拓扑结构，包括多输入和多输出模型，具有共享层的模型以及具有残差连接的模型。

使用 Functional API 构建模型时，神经层是可调用的，并可以返回张量作为输出。然后可以使用这些输入张量和输出张量来定义模型。 例如：

上面的模型同样可以使用简单的代码来进行编译和训练。

Model Subclassing API

如果你想搭建完全可自定义的模型，那么可以使用 Model Subclassing API。在类方法（class method）的主体中，你必须以这种方式定义前向传播。

这样的模型更灵活，但是也更难调试。所有这三种类型的模型三种类型的模型都可以使用前面显示的简单编译和调整命令来编译和训练，或者你可以编写自己的定制训练循环来实现完全控制。

例如:

更多 the Model Subclassing 的案例，可以在“research and experimentation”章节中查看教程，参考链接：

使用 the Model Subclassing API 实现的 Neural Machine Translation with Attention

使用the Model Subclassing API实现的 GAN

如果这些模型都无法满足你的研究？

如果你发现 tf.keras 限制了你的应用领域，你还有其他选择：

这完全取决于你！请注意，tf.layers 中的非面向对象层将被弃用，tf.contribution（包括高级API，如 tf.contribution.slim 和 tf.contribution.learn）在 TF 2.0 中将不可用。

Estimators会发生哪些变化？

对于 Premade Estimators 的用户来说，Keras 和EagerExecution 焦点变化带来的的影响将是微乎其微的。我们可能会更改 Premade Estimators 的实现，同时保持 API 的界面相同。我们还将努力添加作为 Premade Estimators 实现的模型的 Keras 版本，并扩展 Keras 以更好地满足大规模生产的要求。

也就是说，如果你正在开发自定义体系结构，那我们建议使用 tf.keras 来构建模型而不是Estimator。如果你正在构建需要用到 Estimators 的基础架构，那么可以使用model_to_estimator() 来转换模型，同时我们也努力确保Keras可以跨TensorFlow生态系统工作。

进击到TensorFlow 2.0!

希望大家可以和我们一样喜欢使用 tf.keras 。在接下来几个月的时间，TensorFlow 团队将关注于提升开发者们的体验。在我们的文档和教程里也将会体现这点。我们也期待您的想法和反馈，并通过 Github issues 和 PRs 为项目作出贡献。感谢大家！

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。