一文读懂TensorFlow 2.0高阶API
在TensorFlow 2.0中对大量的高阶API库进行了删减与合并，根据官方的解释，这一切的变化都是为了使TensorFlow2.0更加易用和简洁。本文以官方推荐的唯一高阶API库tf.keras为主，概括地介绍TensorFlow 2.0的高阶API。
tf.keras高阶API概览
在TensorFlow 2.0版本中完全移除了tf.contrib这个高阶API库，官方推荐的高阶API只有tf.keras。Keras是一个意在降低机器学习编程入门门槛的项目，其在业界拥有众多的拥护者和使用者。经过Keras社区的多年发展，Keras集成了很多符合工业和研究需求的高阶API，使用这些API只需要几行代码就可以构建和运行一个非常复杂的神经网络。TensorFlow官方社区首次宣布发布TensorFlow 2.0版本计划时就明确了Keras会深度融合到TensorFlow中，并且作为官方支持的高阶API。下面我们看看官方文档中提到的tf.keras下的接口模块。
- activations：tf.keras.actibations中包含了当前主流的激活函数，可以直接通过该API进行激活函数的调用。
- applications：tf.keras.applications中包含的是已经进行预训练的神经网络模型，可以直接进行预测或者迁移学习。目前该模块中包含了主流的神经网络结构。
- backend：tf.keras.backend中包含了Keras后台的一些基础API接口，用于实现高阶API或者自己构建神经网络。
- datasets：tf.keras.datasets中包含了常用的公开数据训练集，可以直接进行使用（需要访问外国网站），数据集有CIFAR-100、Boston Housing等。
- layers：tf.keras.layers中包含了已经定义好的常用的神经网络层。
- losses：tf.keras.losses中包含了常用的损失函数，可以根据实际需求直接进行调用。
- optimizers：tf.keras.optimizers中包含了主流的优化器，可以直接调用API使用。比如Adm等优化器可以直接调用，然后配置所需要的参数即可。
- preprocessing：tf.keras.preprocessing中包含了数据处理的一些方法，分为图片数据处理、语言序列处理、文本数据处理等，比如NLP常用的pad_sequences等，在神经网络模型训练前的数据处理上提供了非常强大的功能。
- regularizers：tf.keras.regularizers中提供了常用的正则化方法，包括L1、L2等正则化方法。
- wrappers：tf.keras.wrappers是一个Keras模型的包装器，当需要进行跨框架迁移时，可以使用该API接口提供与其他框架的兼容性。
- Sequential类：tf.keras.Sequential可以让我们将神经网络层进行线性组合形成神经网络结构。
tf.keras高阶API编程
为节省篇幅，本文不再结合实践案例详细讲解主要高阶API的使用，而是以构建一个线性回归模型为例介绍TensorFlow 2.0高阶API的使用。
1. 使用tf.keras高阶API构建神经网络模型
在TensorFlow 2.0中可以使用高阶API tf.keras.Sequential进行神经网络模型的构建。示例代码如下：
1. #导入所需要的依赖包
2. import tensorflow as tf
3. import numpy as np
4.
5. #实例化一个tf.keras.Sequential
6. model=tf.keras.Sequential()
7. #使用Sequential的add方法添加一层全连接神经网络
8. model.add(tf.keras.layers.Dense(input_dim=1,units=1))
9.
10.#使用Sequential的compile方法对神经网络模型进行编译，loss函数使用MSE，optimizer使用SGD（随机梯度下降）
11.model.compile(loss='mse',optimizer='sgd')
2. 使用tf.keras高阶API训练神经网络模型
在完成神经网络模型的构建和编译之后，需要准备训练数据，然后对神经网络模型进行训练。可以使用tf.keras.Sequential的fit方法进行训练，示例代码如下：
1. #随机生成一些训练数据，在-10到10的范围内生成700个等差数列作为训练输入
2. X = np.linspace(-10, 10, 700)
3. #通过一个简单的算法生成Y数据，模拟训练数据的标签
4. Y=2*X+100+np.random.normal(0, 0.1, (700, ))
5. #开始训练，“verbose=1”表示以进度条的形式显示训练信息，“epochs=200”表示训练的epochs为200，“validation_split=0.2”表示分离20%的数据作为验证数据
6. model.fit(X,Y,verbose=1,epochs=200,validation_split=0.2)
3. 使用tf.keras高阶API保存神经网络模型
在完成神经网络模型的训练之后，可以使用Sequential的save方法将训练的神经网络模型保存为H5格式的模型文件。示例代码如下：
1. filename='line_model.h5'
2. model.save(filename)
3. print("保存模型为line_model.h5")
4. 使用tf.keras高阶API加载模型进行预测
加载神经网络模型需要使用tf.keras.models.load_model这个API，在完成模型的加载后可以使用Sequential的predict方法进行预测。示例代码如下：
1. x=tf.constant([0.5])
2. model=tf.keras.models.load_model(filename)
3. y=model.predict(x)
4. print(y)
本文节选自博文视点新书《走向TensorFlow 2.0：深度学习应用编程快速入门》。本书探讨了开源机器学习软件库TensorFlow 2.0的诸多应用实践，内容涵盖各种热门的应用场景，包括图像识别、自然语言对话机器人、基于生成网络的图片风格迁移、文本情感分析等。该书是为“应用落地”而编写的，附有大量代码及注释，可帮助读者最快速度实现框架入门与应用落地。左下阅读原文，一步跨越鸿沟，不2不是TFBOYS！
内容简介：本书是TensorFlow 2.0编程实践的入门类书籍，目的是在TensorFlow 2.0正式版发布之际能够帮助大家快速了解其核心特性及基本编程技巧。本书通过5个常用的人工智能编程案例，帮助大家掌握如何在工作中使用TensorFlow 2.0进行应用开发。本书内容覆盖了Python和TensorFlow基础入门、自然语言处理和CV领域的实践案例、模型的服务化部署，希望在基于TensorFlow 2.0的人工智能编程上能够助你一臂之力。