机器学习：TensorFlow 2.0中的10个技巧

在本文中，我们将探讨张量流2.0的10个特性。

1(a)。用于构建输入管道的数据API

用张量构建管道

>。>。>。数据集= TF . data . dataset . from _张量_切片(

饱和= tf.image .调整饱和度(image，5)可视化(image，饱和)

roted = TF . image . rot 90(image)可视化(image，rotated)

裁剪= tf.image.central_crop(image，central_fraction=0.5)可视化(image，裁剪)

3.tendorflow数据集

这是一个非常有用的库，因为它包含了众所周知的由张量流收集的数据集。

将tensorflow _ datasets导入为tfds mnist _ data = tfds . load(' mnist ' ')mnist _ train，mnist_test = mnist_data

if ckpt _ manager . latest _ check point:ckpt . restore(ckpt _ manager . latest _ check point)9。Keras调谐器

这是张量流中一个相当新的特性。

！Pip安装keras-tuner超级参数调整是选择参数的过程，这些参数定义了机器学习模型的配置，并且这些参数是特征工程和机器学习模型性能的决定性因素。

# model_builder是一个构建模型并返回tuner = kt的函数。Hyperband( model_builder，objective='val_accuracy '，max _ epochs = 10，Factor = 3，directory =' my _ dir '，project _ name =' intro _ to _ kt ')，除了Hyperband之外，BayesianOptimization和RandomSearch也可以用于调整。

调谐器.搜索(img_train，label_train，epochs = 10，validation_data=(img_test，label_test)，回调= [ClearTrainingOutput ()]) #获取最佳超参数最佳HPS =调谐器。获取最佳超参数(试验数= 1) [0]然后，用最佳超参数训练模型:

model = tuner . hyper model . build(best _ HPS)model . fit(img _ train，label _ train，epochs = 10，validation _ data = (img _ test，label _ test)) 10。分布式培训

如果您有多个图形处理器，并且希望通过将培训分布在多个图形处理器上来优化培训，TensorFlow的各种分布式培训策略可以优化图形处理器的使用，并在图形处理器上对您进行培训。

镜像策略是最常用的策略。它是如何工作的？

所有变量和模型图都被复制到副本中。输入均匀分布在副本中。每个复制品计算它接收的输入的损耗和梯度。通过对所有副本求和来同步渐变。同步后，每个副本上的变量副本会以相同的方式更新。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 . maxpool2d()，tf.keras.layers.Flatten()，TF . keras . layers . density(64，activation='relu ')，TF . keras . layers . density(10)])model.com堆

张量流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。

本文由 在线网速测试 整理编辑，转载请注明出处，原文链接：https://www.wangsu123.cn/news/6925.html。