TensorFlow 高级 API - Keras

Keras 的核心概念与优势

Keras 是 TensorFlow 的高阶 API，专注于快速构建和训练深度学习模型。其设计理念强调模块化、可扩展性和用户友好性，适合从入门到生产级开发。主要优势包括：

• 易用性：通过简洁的接口降低代码复杂度
• 模块化：模型由可配置的模块组装而成
• 跨平台：支持 CPU/GPU/TPU 训练，可导出多种格式

快速构建神经网络模型

以下示例展示如何用 Keras Sequential API 构建全连接网络：

from tensorflow.keras import layers

model = tf.keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(784,)),
    layers.Dropout(0.2),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

功能式 API 构建复杂模型

对于多输入/输出或共享层的场景，Functional API 提供更灵活的构建方式：

inputs = tf.keras.Input(shape=(32,))
x = layers.Dense(64, activation='relu')(inputs)
x = layers.Dense(64, activation='relu')(x)
predictions = layers.Dense(10)(x)
model = tf.keras.Model(inputs=inputs, outputs=predictions)

模型训练与评估配置

典型的训练流程包含损失函数、优化器和指标配置：

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

history = model.fit(train_data, train_labels, 
                   epochs=10,
                   validation_split=0.2)

自定义层与损失函数

通过继承基础类实现自定义组件：

class CustomLayer(layers.Layer):
    def __init__(self, output_dim, **kwargs):
        super().__init__(**kwargs)
        self.output_dim = output_dim
    
    def build(self, input_shape):
        self.kernel = self.add_weight(
            shape=(input_shape[-1], self.output_dim),
            initializer='random_normal',
            trainable=True)
    
    def call(self, inputs):
        return tf.matmul(inputs, self.kernel)

预训练模型迁移学习

利用 Keras Applications 模块加载预训练模型：

base_model = tf.keras.applications.ResNet50(
    weights='imagenet',
    include_top=False,
    input_shape=(224, 224, 3))

# 冻结基础模型权重
base_model.trainable = False

# 添加自定义分类头
global_avg = layers.GlobalAveragePooling2D()(base_model.output)
output = layers.Dense(10, activation='softmax')(global_avg)
model = tf.keras.Model(base_model.input, output)

回调机制应用

常用回调实现训练过程控制：

callbacks = [
    tf.keras.callbacks.EarlyStopping(patience=3),
    tf.keras.callbacks.ModelCheckpoint('model.h5'),
    tf.keras.callbacks.TensorBoard(log_dir='./logs')
]

model.fit(x_train, y_train,
          epochs=50,
          callbacks=callbacks)

模型部署与保存

多种导出格式满足不同部署需求：

# 保存完整模型
model.save('full_model.h5')

# 导出为TensorFlow Serving格式
tf.saved_model.save(model, 'saved_model')

# 转换到TFLite格式
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

性能优化技巧

提升训练效率的实用方法：

• 使用 tf.data 构建高效数据管道
• 启用混合精度训练
• 利用分布式训练策略

# 混合精度配置
policy = tf.keras.mixed_precision.Policy('mixed_float16')
tf.keras.mixed_precision.set_global_policy(policy)

# 分布式训练
strategy = tf.distribute.MirroredStrategy()
with strategy.scope():
    model = build_model()