如何使用Python中的顺序模型进行Keras特征提取？

TensorFlow是Google提供的机器学习框架。它是一个开源框架，与Python结合使用，可以实现算法、深度学习应用程序等等。它用于研究和生产目的。它具有优化技术，有助于快速执行复杂的数学运算。

可以使用以下代码行在Windows上安装“TensorFlow”包：

pip install tensorflow

张量是TensorFlow中使用的数据结构。它有助于连接流图中的边。此流图称为“数据流图”。张量只不过是多维数组或列表。它们可以使用三个主要属性来标识：

  • 秩 - 它告诉张量的维度。可以理解为张量的阶数或已定义张量的维度数。

  • 类型 - 它告诉张量元素关联的数据类型。它可以是一维、二维或n维张量。

  • 形状 - 它是行数和列数的总和。

Keras是作为ONEIROS（开放式神经电子智能机器人操作系统）项目研究的一部分开发的。Keras是一个用Python编写的深度学习API。它是一个高级API，具有高效的界面，有助于解决机器学习问题。它运行在TensorFlow框架之上。它的构建是为了帮助快速进行实验。它提供开发和封装机器学习解决方案所需的必要抽象和构建块。

它具有高度的可扩展性，并具有跨平台功能。这意味着Keras可以在TPU或GPU集群上运行。Keras模型也可以导出到Web浏览器或移动电话上运行。

Keras已经存在于TensorFlow包中。可以使用以下代码行访问它。

import tensorflow
from tensorflow import keras

我们使用Google Colaboratory来运行以下代码。Google Colab或Colaboratory有助于通过浏览器运行Python代码，无需任何配置，并可免费访问GPU（图形处理单元）。Colaboratory构建在Jupyter Notebook之上。以下是代码片段：

示例

print("Sequential model created")
initial_model = keras.Sequential(
   [
      keras.Input(shape=(250, 250, 3)),
      layers.Conv2D(32, 5, strides=2, activation="relu"),
      layers.Conv2D(32, 3, activation="relu"),
      layers.Conv2D(32, 3, activation="relu"),
   ]
)
print("Feature extraction from the model")
feature_extractor = keras.Model(
   inputs=initial_model.inputs,
   outputs=[layer.output for layer in initial_model.layers],
)
print("The feature extractor method is called on test data")
x = tf.ones((1, 250, 250, 3))
features = feature_extractor(x)

代码来源 - https://tensorflowcn.cn/guide/keras/sequential_model

输出

Sequential modal created 
Feature extraction form the model 
The feature extractor method is called on test data


Learn Python in-depth with real-world projects through our Python certification course. Enroll and become a certified expert to boost your career.

解释

  • 模型架构准备就绪后，对其进行训练。

  • 训练完成后，对其进行评估。

  • 此模型保存到磁盘。

  • 可以在需要时恢复它。

  • 可以使用多个GPU来加快模型的训练速度。

  • 构建模型后，它的行为就像一个功能性API模型。

  • 这表明每一层都有输入和输出。

更新于：2021年1月18日

907 次浏览

开启你的职业生涯

完成课程获得认证

开始学习
广告