在本文中，我们将探索TensorFlow 2.0的10个特性。

1(a). 用于构建输入管道的tf.data API

从张量构建管道

>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
>>> iter(dataset).next().numpy()
8

Batch和Shuffle

# Shuffle
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).shuffle(6)
>>> iter(dataset).next().numpy()
0
# Batch
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).batch(2)
>>> iter(dataset).next().numpy()
array([8, 3], dtype=int32)
# Shuffle and Batch
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).shuffle(6).batch(2)
>>> iter(dataset).next().numpy()
array([3, 0], dtype=int32)

压缩两个Datsets

>>> dataset0 = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
>>> dataset1 = tf.data.Dataset.from_tensor_slices([1, 2, 3, 4, 5, 6])
>>> dataset = tf.data.Dataset.zip((dataset0, dataset1))
>>> iter(dataset).next()
(<tf.Tensor: shape=(), dtype=int32, numpy=8>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)

映射外部函数

def into_2(num):
     return num * 2
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).map(into_2)
>>> iter(dataset).next().numpy()
16

1(b). ImageDataGenerator

这是tensorflow.keras API的最佳特性之一。ImageDataGenerator可以在batching和预处理中实时生成数据集切片和数据增强。

生成器允许直接从目录或dataframes中访问数据流。

关于ImageDataGenerator中的数据增强的一个误解是，它会将更多数据添加到现有数据集中。虽然这是数据增强的实际定义，但在ImageDataGenerator中，数据集中的图像在训练中按不同的步骤动态转换，以便模型可以在它没有看到有噪声的数据上进行训练。

train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True
)

在这里，对所有样本进行重缩放（用于归一化），而其他参数则用于增强。

train_generator = train_datagen.flow_from_directory(
        'data/train',
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary'
)

我们为实时数据流指定目录。这也可以使用dataframes来完成。

train_generator = flow_from_dataframe(
    dataframe,
    x_col='filename',
    y_col='class',
    class_mode='categorical',
    batch_size=32
)

x_col参数定义了图像的完整路径，y_col参数定义了用于分类的label列。

尽管需要指定steps_per_epoch参数，它实际上是number_of_samples // batch_size。

model.fit(
    train_generator,
    validation_data=val_generator,
    epochs=EPOCHS,
    steps_per_epoch=(num_samples // batch_size),
    validation_steps=(num_val_samples // batch_size)
)

2.使用tf.image进行数据增强

在数据不足的情况下，对数据进行更改并将其作为单独的数据点，是在较少数据的情况下进行训练的非常有效的方法。

tf.image API具有用于转换图像的工具，请看以下Python示例：

flipped = tf.image.flip_left_right(image)
visualise(image, flipped)

saturated = tf.image.adjust_saturation(image, 5)
visualise(image, saturated)

rotated = tf.image.rot90(image)
visualise(image, rotated)

cropped = tf.image.central_crop(image, central_fraction=0.5)
visualise(image, cropped)

3. TensorFlow数据集

pip install tensorflow-datasets

这是一个非常有用的库，因为它包含了tensorflow收集的知名数据集。

import tensorflow_datasets as tfds
mnist_data = tfds.load("mnist")
mnist_train, mnist_test = mnist_data["train"], mnist_data["test"]
assert isinstance(mnist_train, tf.data.Dataset)

在tensorflow-datasets中可用的数据集的详细列表可以在文档的Datasets页面上找到。

音频、图像、图像分类、对象检测、结构化、摘要、文本、翻译、视频都是tfds提供的类型。

4.使用预训练的模型进行迁移学习

迁移学习是机器学习领域的一种新潮流，TensorFlow提供了经过基准测试的预训练模型，可以很容易地针对所需的用例进行扩展。

base_model = tf.keras.applications.MobileNetV2(
    input_shape=IMG_SHAPE,
    include_top=False,
    weights='imagenet'
)

可以使用附加层或不同的模型轻松扩展这个base_model。如:

model = tf.keras.Sequential([
    base_model,
    global_average_layer,
    prediction_layer
])

有关tf.keras.applications下其他模型或模块的详细列表，请参阅docs页面。

5.Estimators

Estimator是TensorFlow完整模型的高级表示，其设计目的是易于缩放和异步训练。

内置的estimators提供了非常高级的模型抽象，因此您可以直接专注于训练模型，而不必担心其复杂性。例如：

linear_est = tf.estimator.LinearClassifier(
    feature_columns=feature_columns
)
linear_est.train(train_input_fn)
result = linear_est.evaluate(eval_input_fn)

TensorFlow有许多内置的estimators，包括LinearRegressor，BoostedTreesClassifier等。Estimators也可以自定义。

6.自定义层

神经网络是已知的多层网络，其中的层可以是不同的类型。TensorFlow包含许多预定义层(例如Dense，LSTM等)。但是对于更复杂的架构，层的逻辑可能会复杂得多。TensorFlow允许构建自定义层，这可以通过对tf.keras.layers.Layer类进行子类化来完成。

class CustomDense(tf.keras.layers.Layer):
    def __init__(self, num_outputs):
        super(CustomDense, self).__init__()
        self.num_outputs = num_outputs

    def build(self, input_shape):
        self.kernel = self.add_weight(
            "kernel",
            shape=[int(input_shape[-1]),
            self.num_outputs]
        )

    def call(self, input):
        return tf.matmul(input, self.kernel)

实现自定义层的最佳方法是扩展tf.keras.Layer类：

1. __init__，可以进行所有与输入无关的初始化。
2. build，您可以了解输入张量的形状，并可以进行其余的初始化。
3. call，进行forward计算。

尽管可以在__init__中完成核初始化，但最好在build中进行初始化，否则，您将必须在新层创建的每个实例上显式指定input_shape。

7.定制训练

tf.keras序列和模型API使训练模型更容易。但是，大多数时候在训练复杂模型时会使用自定义损失函数。此外，模型训练也可以不同于缺省值（例如，将梯度分别应用于不同的模型组件）。

TensorFlow的自动微分有助于高效地计算梯度。Python示例如下：

def train(model, inputs, outputs, learning_rate):
    with tf.GradientTape() as t:
        # Computing Losses from Model Prediction
        current_loss = loss(outputs, model(inputs))
    # Gradients for Trainable Variables with Obtained Losses
    dW, db = t.gradient(current_loss, [model.W, model.b])
    # Applying Gradients to Weights
    model.W.assign_sub(learning_rate * dW)
    model.b.assign_sub(learning_rate * db)

可以针对多个epochs重复此循环，并且可以根据用例使用其他自定义的设置。

8.检查点

保存TensorFlow模型可以有两种类型：

1. SavedModel：保存模型的完整状态以及所有参数。model.save_weights('checkpoint')
2. 检查点（Checkpoints）

检查点捕获机器学习模型使用的所有参数的精确值。使用Sequential API或Model API构建的机器学习模型可以简单地以SavedModel格式进行保存。

但是，对于自定义模型，需要设置检查点。

检查点不包含模型定义的计算的任何描述，因此通常只有在源代码可用时才有用。

保存检查点

checkpoint_path = “save_path”
# Defining a Checkpoint
ckpt = tf.train.Checkpoint(model=model, optimizer=optimizer)
# Creating a CheckpointManager Object
ckpt_manager = tf.train.CheckpointManager(ckpt, checkpoint_path, max_to_keep=5)
# Saving a Model
ckpt_manager.save()

加载检查点

TensorFlow通过遍历具有命名边的有向图(从加载的对象开始)，将变量匹配到检查点值。

if ckpt_manager.latest_checkpoint:
    ckpt.restore(ckpt_manager.latest_checkpoint)

9. Keras Tuner

这是TensorFlow中的一个相当新的功能。

!pip install keras-tuner

超参数调优是挑选参数的过程，这些参数定义了机器学习模型的配置，这些是特征工程和机器学习模型性能的决定因素。

# model_builder is a function that builds a model and returns it
tuner = kt.Hyperband(
    model_builder,
    objective='val_accuracy', 
    max_epochs=10,
    factor=3,
    directory='my_dir',
    project_name='intro_to_kt'
)

除了HyperBand, BayesianOptimization和RandomSearch也可用于调优。

tuner.search(
    img_train, label_train, 
    epochs = 10, 
    validation_data=(img_test,label_test), 
    callbacks=[ClearTrainingOutput()]
)

# Get the optimal hyperparameters
best_hps = tuner.get_best_hyperparameters(num_trials=1)[0]

然后，利用最优超参数对模型进行训练:

model = tuner.hypermodel.build(best_hps)
model.fit(
    img_train, 
    label_train, 
    epochs=10, 
    validation_data=(img_test, label_test)
)

10.分布式训练

如果你有多个GPU，并希望通过将训练分散在多个GPU上来优化训练，TensorFlow的各种分布式训练策略能够优化GPU的使用，并为你在GPU上进行训练。

tf.distribute.MirroredStrategy是最常用的策略。它是如何工作的呢?

• 所有变量和模型图都复制到副本上。
• 输入均匀地分布在各个副本上。
• 每个副本都为其接收的输入计算损失和梯度。
• 梯度是通过对所有副本求和来同步的。
• 同步之后，对每个副本上的变量副本进行相同的更新。

strategy = tf.distribute.MirroredStrategy()
with strategy.scope():
    model = tf.keras.Sequential([
        tf.keras.layers.Conv2D(
            32, 3, activation='relu',  input_shape=(28, 28, 1)
        ),
        tf.keras.layers.MaxPooling2D(),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(10)
    ])

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

最后

TensorFlow足以构建机器学习管道的几乎所有组件。本教程的主要内容是介绍TensorFlow提供的各种api，以及如何使用这些API的快速指南。