政安晨：【Keras机器学习实践要点】（七）—

政安晨的个人主页：政安晨

欢迎 👍点赞✍评论⭐收藏

收录专栏: TensorFlow与Keras实战演绎机器学习

希望政安晨的博客能够对您有所裨益，如有不足之处，欢迎在评论区提出指正！

在TensorFlow中，fit()是一个非常强大和常用的训练函数，它可以批次地训练模型并监测其性能。虽然fit()提供了很多有用的默认行为，但有时您可能想自定义fit()中发生的操作。

一种自定义fit()的方法是使用回调函数。回调函数是在训练过程中的特定时间点被调用的函数，您可以编写自己的回调函数来执行特定的操作。

TensorFlow提供了许多内置的回调函数，如EarlyStoppingCallback、ModelCheckpointCallback等，您也可以编写自己的自定义回调函数。通过将回调函数传递给fit()函数的callbacks参数，您可以自定义在每个训练批次或训练周期结束时发生的操作。

另一种自定义fit()的方法是编写自定义的训练循环。

默认情况下，fit()函数使用单个步骤来执行训练循环，但您可以重写这个步骤来实现自己的训练逻辑。您可以使用TensorFlow的GradientTape来手动计算梯度，并使用优化器来更新模型的权重。通过这种方式，您可以完全控制训练过程中的每个步骤。

最后，您还可以自定义fit()的行为通过设置fit()函数的其他参数。

例如，您可以通过设置batch_size参数来定义每个训练批次的大小，或者通过设置epochs参数来指定训练周期的数量。除了这些参数，您还可以设置其他参数，如学习率、损失函数等，以进一步自定义fit()的行为。

总而言之，TensorFlow提供了多种方法来自定义fit()函数中发生的操作。无论您是通过回调函数、自定义训练循环还是设置fit()的参数，您都可以根据自己的需求来定制训练过程。

这使得TensorFlow成为一个非常灵活和强大的深度学习框架。

今天我们讲的就是keras api 在这里的应用方法。

前言

当你进行监督学习时，你可以使用fit()，一切都运行得很顺利。

当你需要控制每一个细节时，你可以完全从头开始编写自己的训练循环。

但是如果你需要一个自定义的训练算法，但仍然希望从fit()的便利功能中受益，比如回调函数，内置的分发支持或步骤融合，该怎么办呢？

Keras的一个核心原则是逐步揭示复杂性。您应该总是能够逐渐进入更低级的工作流程。如果高级功能与您的使用情况不完全匹配，您不应该感到掉入悬崖。您应该能够在保留相应数量高级便利的同时获得对细节的更多控制。

当你需要自定义fit()函数的行为时，你应该重写Model类的训练步骤函数。这是fit()函数在处理每个数据批次时调用的函数。然后，你仍然可以像往常一样调用fit()函数 - 它将会运行你自己的学习算法。

请注意这种模式并不妨碍您使用函数式API构建模型。无论您是构建顺序模型、函数式API模型还是子类化模型，都可以使用这种模式。

现在让我们看看这一切都是怎么工作的吧。

导入

import os# This guide can only be run with the TF backend.
os.environ["KERAS_BACKEND"] = "tensorflow"import tensorflow as tf
import keras
from keras import layers
import numpy as np

来一个简单例子

我们创建一个新的类，继承自keras.Model。

我们只需重写train_step(self, data)方法。

我们返回一个将指标名称（包括损失）映射到它们当前值的字典。

输入参数data是传递给fit作为训练数据的内容：

如果你通过调用fit(x, y, ...)传递NumPy数组，则data将是元组(x, y)

如果你通过调用fit(dataset, ...)传递tf.data.Dataset，则data将是每个批次由数据集产生的内容。

在train_step()方法的主体中，我们实现了一个常规的训练更新，与你已经熟悉的类似。重要的是，我们通过self.compute_loss()计算损失，它包装了传递给compile()的损失函数。

类似地，我们对self.metrics中的指标调用metric.update_state(y, y_pred)来更新在compile()中传递的指标的状态，并在最后从self.metrics查询结果以获取它们的当前值。

class CustomModel(keras.Model):def train_step(self, data):# Unpack the data. Its structure depends on your model and# on what you pass to `fit()`.x, y = datawith tf.GradientTape() as tape:y_pred = self(x, training=True)  # Forward pass# Compute the loss value# (the loss function is configured in `compile()`)loss = self.compute_loss(y=y, y_pred=y_pred)# Compute gradientstrainable_vars = self.trainable_variablesgradients = tape.gradient(loss, trainable_vars)# Update weightsself.optimizer.apply(gradients, trainable_vars)# Update metrics (includes the metric that tracks the loss)for metric in self.metrics:if metric.name == "loss":metric.update_state(loss)else:metric.update_state(y, y_pred)# Return a dict mapping metric names to current valuereturn {m.name: m.result() for m in self.metrics}

现在让咱们试试：

# Construct and compile an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(optimizer="adam", loss="mse", metrics=["mae"])# Just use `fit` as usual
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.fit(x, y, epochs=3)

下沉到更低的级别

当然，你可以在compile()中跳过传递损失函数，而是在train_step中手动完成所有操作。同样，在指标方面也是如此。

这是一个低级示例，只使用compile()配置优化器：

我们首先创建度量实例来跟踪我们的损失和MAE得分（在__init__()中）。

我们实现了一个自定义的train_step()函数，该函数通过调用update_state()来更新这些度量的状态，然后通过调用result()来查询它们的当前平均值，以便在进度条中显示并传递给任何回调函数。

注意，我们需要在每个epoch之间调用reset_states()来重置我们的度量！

否则，调用result()将返回训练开始以来的平均值，而我们通常使用每个epoch的平均值。

幸运的是，框架可以为我们做到这一点：只需将要重置的任何度量列在模型的metrics属性中。

模型将在每次fit()的epoch开始或调用evaluate()的开始时调用此处列出的任何对象的reset_states()函数。

class CustomModel(keras.Model):def __init__(self, *args, **kwargs):super().__init__(*args, **kwargs)self.loss_tracker = keras.metrics.Mean(name="loss")self.mae_metric = keras.metrics.MeanAbsoluteError(name="mae")self.loss_fn = keras.losses.MeanSquaredError()def train_step(self, data):x, y = datawith tf.GradientTape() as tape:y_pred = self(x, training=True)  # Forward pass# Compute our own lossloss = self.loss_fn(y, y_pred)# Compute gradientstrainable_vars = self.trainable_variablesgradients = tape.gradient(loss, trainable_vars)# Update weightsself.optimizer.apply(gradients, trainable_vars)# Compute our own metricsself.loss_tracker.update_state(loss)self.mae_metric.update_state(y, y_pred)return {"loss": self.loss_tracker.result(),"mae": self.mae_metric.result(),}@propertydef metrics(self):# We list our `Metric` objects here so that `reset_states()` can be# called automatically at the start of each epoch# or at the start of `evaluate()`.return [self.loss_tracker, self.mae_metric]# Construct an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)# We don't pass a loss or metrics here.
model.compile(optimizer="adam")# Just use `fit` as usual -- you can use callbacks, etc.
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.fit(x, y, epochs=5)

支持样本权重和类别权重

您可能已经注意到，我们的第一个基本示例没有提及样本加权。

如果您想支持fit()函数的sample_weight和class_weight参数，只需按照以下步骤操作：

从data参数中解包sample_weight 将其传递给compute_loss和update_state函数（当然，如果您不依赖compile()函数来计算损失和指标，您也可以手动应用它）就是这样。

class CustomModel(keras.Model):def train_step(self, data):# Unpack the data. Its structure depends on your model and# on what you pass to `fit()`.if len(data) == 3:x, y, sample_weight = dataelse:sample_weight = Nonex, y = datawith tf.GradientTape() as tape:y_pred = self(x, training=True)  # Forward pass# Compute the loss value.# The loss function is configured in `compile()`.loss = self.compute_loss(y=y,y_pred=y_pred,sample_weight=sample_weight,)# Compute gradientstrainable_vars = self.trainable_variablesgradients = tape.gradient(loss, trainable_vars)# Update weightsself.optimizer.apply(gradients, trainable_vars)# Update the metrics.# Metrics are configured in `compile()`.for metric in self.metrics:if metric.name == "loss":metric.update_state(loss)else:metric.update_state(y, y_pred, sample_weight=sample_weight)# Return a dict mapping metric names to current value.# Note that it will include the loss (tracked in self.metrics).return {m.name: m.result() for m in self.metrics}# Construct and compile an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(optimizer="adam", loss="mse", metrics=["mae"])# You can now use sample_weight argument
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
sw = np.random.random((1000, 1))
model.fit(x, y, sample_weight=sw, epochs=3)

提供您自己的评估步骤

如果你想对model.evaluate()的调用做同样的操作，那么你可以通过同样的方式覆盖test_step。下面是实现的样例：

class CustomModel(keras.Model):def test_step(self, data):# Unpack the datax, y = data# Compute predictionsy_pred = self(x, training=False)# Updates the metrics tracking the lossloss = self.compute_loss(y=y, y_pred=y_pred)# Update the metrics.for metric in self.metrics:if metric.name == "loss":metric.update_state(loss)else:metric.update_state(y, y_pred)# Return a dict mapping metric names to current value.# Note that it will include the loss (tracked in self.metrics).return {m.name: m.result() for m in self.metrics}# Construct an instance of CustomModel
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = CustomModel(inputs, outputs)
model.compile(loss="mse", metrics=["mae"])# Evaluate with our custom test_step
x = np.random.random((1000, 32))
y = np.random.random((1000, 1))
model.evaluate(x, y)

总结：一个端到端的GAN示例

让我们通过一个端到端的示例来演示你刚刚学到的所有内容。

让我们考虑以下内容：

一个生成器网络，用于生成28x28x1的图像。

一个判别器网络，用于将28x28x1的图像分为两类（"假"和"真"）。

每个网络都有一个优化器。一个损失函数，用于训练判别器。

# Create the discriminator
discriminator = keras.Sequential([keras.Input(shape=(28, 28, 1)),layers.Conv2D(64, (3, 3), strides=(2, 2), padding="same"),layers.LeakyReLU(negative_slope=0.2),layers.Conv2D(128, (3, 3), strides=(2, 2), padding="same"),layers.LeakyReLU(negative_slope=0.2),layers.GlobalMaxPooling2D(),layers.Dense(1),],name="discriminator",
)# Create the generator
latent_dim = 128
generator = keras.Sequential([keras.Input(shape=(latent_dim,)),# We want to generate 128 coefficients to reshape into a 7x7x128 maplayers.Dense(7 * 7 * 128),layers.LeakyReLU(negative_slope=0.2),layers.Reshape((7, 7, 128)),layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),layers.LeakyReLU(negative_slope=0.2),layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),layers.LeakyReLU(negative_slope=0.2),layers.Conv2D(1, (7, 7), padding="same", activation="sigmoid"),],name="generator",
)

这是一个完整的GAN类，它重写了compile()方法以使用自己的签名，并在train_step中使用17行代码实现了整个GAN算法。

class GAN(keras.Model):def __init__(self, discriminator, generator, latent_dim):super().__init__()self.discriminator = discriminatorself.generator = generatorself.latent_dim = latent_dimself.d_loss_tracker = keras.metrics.Mean(name="d_loss")self.g_loss_tracker = keras.metrics.Mean(name="g_loss")self.seed_generator = keras.random.SeedGenerator(1337)@propertydef metrics(self):return [self.d_loss_tracker, self.g_loss_tracker]def compile(self, d_optimizer, g_optimizer, loss_fn):super().compile()self.d_optimizer = d_optimizerself.g_optimizer = g_optimizerself.loss_fn = loss_fndef train_step(self, real_images):if isinstance(real_images, tuple):real_images = real_images[0]# Sample random points in the latent spacebatch_size = tf.shape(real_images)[0]random_latent_vectors = keras.random.normal(shape=(batch_size, self.latent_dim), seed=self.seed_generator)# Decode them to fake imagesgenerated_images = self.generator(random_latent_vectors)# Combine them with real imagescombined_images = tf.concat([generated_images, real_images], axis=0)# Assemble labels discriminating real from fake imageslabels = tf.concat([tf.ones((batch_size, 1)), tf.zeros((batch_size, 1))], axis=0)# Add random noise to the labels - important trick!labels += 0.05 * keras.random.uniform(tf.shape(labels), seed=self.seed_generator)# Train the discriminatorwith tf.GradientTape() as tape:predictions = self.discriminator(combined_images)d_loss = self.loss_fn(labels, predictions)grads = tape.gradient(d_loss, self.discriminator.trainable_weights)self.d_optimizer.apply(grads, self.discriminator.trainable_weights)# Sample random points in the latent spacerandom_latent_vectors = keras.random.normal(shape=(batch_size, self.latent_dim), seed=self.seed_generator)# Assemble labels that say "all real images"misleading_labels = tf.zeros((batch_size, 1))# Train the generator (note that we should *not* update the weights# of the discriminator)!with tf.GradientTape() as tape:predictions = self.discriminator(self.generator(random_latent_vectors))g_loss = self.loss_fn(misleading_labels, predictions)grads = tape.gradient(g_loss, self.generator.trainable_weights)self.g_optimizer.apply(grads, self.generator.trainable_weights)# Update metrics and return their value.self.d_loss_tracker.update_state(d_loss)self.g_loss_tracker.update_state(g_loss)return {"d_loss": self.d_loss_tracker.result(),"g_loss": self.g_loss_tracker.result(),}

让我们试试吧：

# Prepare the dataset. We use both the training & test MNIST digits.
batch_size = 64
(x_train, _), (x_test, _) = keras.datasets.mnist.load_data()
all_digits = np.concatenate([x_train, x_test])
all_digits = all_digits.astype("float32") / 255.0
all_digits = np.reshape(all_digits, (-1, 28, 28, 1))
dataset = tf.data.Dataset.from_tensor_slices(all_digits)
dataset = dataset.shuffle(buffer_size=1024).batch(batch_size)gan = GAN(discriminator=discriminator, generator=generator, latent_dim=latent_dim)
gan.compile(d_optimizer=keras.optimizers.Adam(learning_rate=0.0003),g_optimizer=keras.optimizers.Adam(learning_rate=0.0003),loss_fn=keras.losses.BinaryCrossentropy(from_logits=True),
)# To limit the execution time, we only train on 100 batches. You can train on
# the entire dataset. You will need about 20 epochs to get nice results.
gan.fit(dataset.take(100), epochs=1)