Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

Membuat Lapisan dan Model baru melalui subclassing

Lihat di TensorFlow.org Jalankan di Google Colab Lihat sumber di GitHub Unduh buku catatan

Mendirikan

import tensorflow as tf
from tensorflow import keras

Kelas Layer : kombinasi state (bobot) dan beberapa komputasi

Salah satu abstraksi pusat di Keras adalah kelas Layer . Sebuah lapisan merangkum kedua keadaan ("bobot" lapisan) dan transformasi dari masukan ke keluaran ("panggilan", penerusan lapisan).

Inilah lapisan yang terhubung dengan rapat. Ini memiliki status: variabel w dan b .

class Linear(keras.layers.Layer):
    def __init__(self, units=32, input_dim=32):
        super(Linear, self).__init__()
        w_init = tf.random_normal_initializer()
        self.w = tf.Variable(
            initial_value=w_init(shape=(input_dim, units), dtype="float32"),
            trainable=True,
        )
        b_init = tf.zeros_initializer()
        self.b = tf.Variable(
            initial_value=b_init(shape=(units,), dtype="float32"), trainable=True
        )

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

Anda akan menggunakan lapisan dengan memanggilnya pada beberapa masukan tensor, seperti fungsi Python.

x = tf.ones((2, 2))
linear_layer = Linear(4, 2)
y = linear_layer(x)
print(y)
tf.Tensor(
[[0.06229124 0.02534804 0.00851583 0.00457605]
 [0.06229124 0.02534804 0.00851583 0.00457605]], shape=(2, 4), dtype=float32)

Perhatikan bahwa bobot w dan b secara otomatis dilacak oleh lapisan setelah ditetapkan sebagai atribut lapisan:

assert linear_layer.weights == [linear_layer.w, linear_layer.b]

Perhatikan bahwa Anda juga memiliki akses ke pintasan yang lebih cepat untuk menambahkan bobot ke lapisan: metode add_weight() :

class Linear(keras.layers.Layer):
    def __init__(self, units=32, input_dim=32):
        super(Linear, self).__init__()
        self.w = self.add_weight(
            shape=(input_dim, units), initializer="random_normal", trainable=True
        )
        self.b = self.add_weight(shape=(units,), initializer="zeros", trainable=True)

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b


x = tf.ones((2, 2))
linear_layer = Linear(4, 2)
y = linear_layer(x)
print(y)
tf.Tensor(
[[ 0.06930272  0.03181376 -0.07157768  0.07838295]
 [ 0.06930272  0.03181376 -0.07157768  0.07838295]], shape=(2, 4), dtype=float32)

Lapisan dapat memiliki beban yang tidak bisa dilatih

Selain anak timbangan yang dapat dilatih, Anda juga dapat menambahkan anak timbangan yang tidak dapat dilatih ke sebuah lapisan. Bobot semacam itu dimaksudkan untuk tidak diperhitungkan selama propagasi mundur, saat Anda melatih lapisan.

Berikut cara menambah dan menggunakan beban yang tidak bisa dilatih:

class ComputeSum(keras.layers.Layer):
    def __init__(self, input_dim):
        super(ComputeSum, self).__init__()
        self.total = tf.Variable(initial_value=tf.zeros((input_dim,)), trainable=False)

    def call(self, inputs):
        self.total.assign_add(tf.reduce_sum(inputs, axis=0))
        return self.total


x = tf.ones((2, 2))
my_sum = ComputeSum(2)
y = my_sum(x)
print(y.numpy())
y = my_sum(x)
print(y.numpy())
[2. 2.]
[4. 4.]

Ini adalah bagian dari layer.weights , tetapi dikategorikan sebagai bobot yang tidak dapat dilatih:

print("weights:", len(my_sum.weights))
print("non-trainable weights:", len(my_sum.non_trainable_weights))

# It's not included in the trainable weights:
print("trainable_weights:", my_sum.trainable_weights)
weights: 1
non-trainable weights: 1
trainable_weights: []

Praktik terbaik: menunda pembuatan bobot hingga bentuk input diketahui

Lapisan Linear kita di atas mengambil argumen input_dim yang digunakan untuk menghitung bentuk bobot w dan b di __init__() :

class Linear(keras.layers.Layer):
    def __init__(self, units=32, input_dim=32):
        super(Linear, self).__init__()
        self.w = self.add_weight(
            shape=(input_dim, units), initializer="random_normal", trainable=True
        )
        self.b = self.add_weight(shape=(units,), initializer="zeros", trainable=True)

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

Dalam banyak kasus, Anda mungkin tidak mengetahui sebelumnya ukuran input Anda, dan Anda ingin membuat bobot dengan malas saat nilai itu diketahui, beberapa saat setelah membuat instance layer.

Di API Keras, kami merekomendasikan membuat bobot lapisan dalam metode build(self, inputs_shape) dari lapisan Anda. Seperti ini:

class Linear(keras.layers.Layer):
    def __init__(self, units=32):
        super(Linear, self).__init__()
        self.units = units

    def build(self, input_shape):
        self.w = self.add_weight(
            shape=(input_shape[-1], self.units),
            initializer="random_normal",
            trainable=True,
        )
        self.b = self.add_weight(
            shape=(self.units,), initializer="random_normal", trainable=True
        )

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

Metode __call__() lapisan Anda akan secara otomatis menjalankan build saat pertama kali dipanggil. Anda sekarang memiliki lapisan yang malas sehingga lebih mudah digunakan:

# At instantiation, we don't know on what inputs this is going to get called
linear_layer = Linear(32)

# The layer's weights are created dynamically the first time the layer is called
y = linear_layer(x)

Lapisan dapat disusun secara rekursif

Jika Anda menetapkan instance Lapisan sebagai atribut dari Lapisan lain, lapisan luar akan mulai melacak bobot lapisan dalam.

Kami merekomendasikan membuat sub- __init__() seperti itu dalam metode __init__() (karena sub-lapisan biasanya memiliki metode pembangunan, sub-lapisan tersebut akan dibuat ketika lapisan luar dibuat).

# Let's assume we are reusing the Linear class
# with a `build` method that we defined above.


class MLPBlock(keras.layers.Layer):
    def __init__(self):
        super(MLPBlock, self).__init__()
        self.linear_1 = Linear(32)
        self.linear_2 = Linear(32)
        self.linear_3 = Linear(1)

    def call(self, inputs):
        x = self.linear_1(inputs)
        x = tf.nn.relu(x)
        x = self.linear_2(x)
        x = tf.nn.relu(x)
        return self.linear_3(x)


mlp = MLPBlock()
y = mlp(tf.ones(shape=(3, 64)))  # The first call to the `mlp` will create the weights
print("weights:", len(mlp.weights))
print("trainable weights:", len(mlp.trainable_weights))
weights: 6
trainable weights: 6

Metode add_loss()

Saat menulis metode call() dari sebuah layer, Anda bisa membuat tensor kerugian yang akan Anda gunakan nanti, saat menulis loop pelatihan Anda. Ini dapat dilakukan dengan memanggil self.add_loss(value) :

# A layer that creates an activity regularization loss
class ActivityRegularizationLayer(keras.layers.Layer):
    def __init__(self, rate=1e-2):
        super(ActivityRegularizationLayer, self).__init__()
        self.rate = rate

    def call(self, inputs):
        self.add_loss(self.rate * tf.reduce_sum(inputs))
        return inputs

Kerugian ini (termasuk yang dibuat oleh lapisan dalam) dapat diambil melalui layer.losses . Properti ini disetel ulang di awal setiap __call__() ke lapisan tingkat atas, sehingga layer.losses selalu berisi nilai kerugian yang dibuat selama layer.losses terakhir.

class OuterLayer(keras.layers.Layer):
    def __init__(self):
        super(OuterLayer, self).__init__()
        self.activity_reg = ActivityRegularizationLayer(1e-2)

    def call(self, inputs):
        return self.activity_reg(inputs)


layer = OuterLayer()
assert len(layer.losses) == 0  # No losses yet since the layer has never been called

_ = layer(tf.zeros(1, 1))
assert len(layer.losses) == 1  # We created one loss value

# `layer.losses` gets reset at the start of each __call__
_ = layer(tf.zeros(1, 1))
assert len(layer.losses) == 1  # This is the loss created during the call above

Selain itu, properti loss juga berisi kerugian regularisasi yang dibuat untuk bobot setiap lapisan dalam:

class OuterLayerWithKernelRegularizer(keras.layers.Layer):
    def __init__(self):
        super(OuterLayerWithKernelRegularizer, self).__init__()
        self.dense = keras.layers.Dense(
            32, kernel_regularizer=tf.keras.regularizers.l2(1e-3)
        )

    def call(self, inputs):
        return self.dense(inputs)


layer = OuterLayerWithKernelRegularizer()
_ = layer(tf.zeros((1, 1)))

# This is `1e-3 * sum(layer.dense.kernel ** 2)`,
# created by the `kernel_regularizer` above.
print(layer.losses)
[<tf.Tensor: shape=(), dtype=float32, numpy=0.002361052>]

Kerugian ini dimaksudkan untuk diperhitungkan saat menulis loop pelatihan, seperti ini:

# Instantiate an optimizer.
optimizer = tf.keras.optimizers.SGD(learning_rate=1e-3)
loss_fn = keras.losses.SparseCategoricalCrossentropy(from_logits=True)

# Iterate over the batches of a dataset.
for x_batch_train, y_batch_train in train_dataset:
  with tf.GradientTape() as tape:
    logits = layer(x_batch_train)  # Logits for this minibatch
    # Loss value for this minibatch
    loss_value = loss_fn(y_batch_train, logits)
    # Add extra losses created during this forward pass:
    loss_value += sum(model.losses)

  grads = tape.gradient(loss_value, model.trainable_weights)
  optimizer.apply_gradients(zip(grads, model.trainable_weights))

Untuk panduan mendetail tentang menulis loop pelatihan, lihat panduan menulis loop pelatihan dari awal .

Kerugian ini juga bekerja mulus dengan fit() (mereka secara otomatis dijumlahkan dan ditambahkan ke kerugian utama, jika ada):

import numpy as np

inputs = keras.Input(shape=(3,))
outputs = ActivityRegularizationLayer()(inputs)
model = keras.Model(inputs, outputs)

# If there is a loss passed in `compile`, thee regularization
# losses get added to it
model.compile(optimizer="adam", loss="mse")
model.fit(np.random.random((2, 3)), np.random.random((2, 3)))

# It's also possible not to pass any loss in `compile`,
# since the model already has a loss to minimize, via the `add_loss`
# call during the forward pass!
model.compile(optimizer="adam")
model.fit(np.random.random((2, 3)), np.random.random((2, 3)))
1/1 [==============================] - 0s 1ms/step - loss: 0.2552
1/1 [==============================] - 0s 893us/step - loss: 0.0427

<tensorflow.python.keras.callbacks.History at 0x7ff6586c3588>

Metode add_metric()

Sama halnya dengan add_loss() , lapisan juga memiliki metode add_metric() untuk melacak rata-rata bergerak suatu kuantitas selama pelatihan.

Pertimbangkan lapisan berikut: lapisan "titik akhir logistik". Dibutuhkan sebagai prediksi masukan & target, ini menghitung kerugian yang add_loss() melalui add_loss() , dan itu menghitung skalar akurasi, yang add_metric() melalui add_metric() .

class LogisticEndpoint(keras.layers.Layer):
    def __init__(self, name=None):
        super(LogisticEndpoint, self).__init__(name=name)
        self.loss_fn = keras.losses.BinaryCrossentropy(from_logits=True)
        self.accuracy_fn = keras.metrics.BinaryAccuracy()

    def call(self, targets, logits, sample_weights=None):
        # Compute the training-time loss value and add it
        # to the layer using `self.add_loss()`.
        loss = self.loss_fn(targets, logits, sample_weights)
        self.add_loss(loss)

        # Log accuracy as a metric and add it
        # to the layer using `self.add_metric()`.
        acc = self.accuracy_fn(targets, logits, sample_weights)
        self.add_metric(acc, name="accuracy")

        # Return the inference-time prediction tensor (for `.predict()`).
        return tf.nn.softmax(logits)

Metrik yang dilacak dengan cara ini dapat diakses melalui layer.metrics :

layer = LogisticEndpoint()

targets = tf.ones((2, 2))
logits = tf.ones((2, 2))
y = layer(targets, logits)

print("layer.metrics:", layer.metrics)
print("current accuracy value:", float(layer.metrics[0].result()))
layer.metrics: [<tensorflow.python.keras.metrics.BinaryAccuracy object at 0x7ff68cc73208>]
current accuracy value: 1.0

Sama seperti untuk add_loss() , metrik ini dilacak oleh fit() :

inputs = keras.Input(shape=(3,), name="inputs")
targets = keras.Input(shape=(10,), name="targets")
logits = keras.layers.Dense(10)(inputs)
predictions = LogisticEndpoint(name="predictions")(logits, targets)

model = keras.Model(inputs=[inputs, targets], outputs=predictions)
model.compile(optimizer="adam")

data = {
    "inputs": np.random.random((3, 3)),
    "targets": np.random.random((3, 10)),
}
model.fit(data)
1/1 [==============================] - 0s 2ms/step - loss: 1.0043 - binary_accuracy: 0.0000e+00

<tensorflow.python.keras.callbacks.History at 0x7ff658522b00>

Anda dapat secara opsional mengaktifkan serialisasi pada lapisan Anda

Jika Anda membutuhkan lapisan khusus Anda untuk dapat diserialkan sebagai bagian dari model Fungsional , Anda dapat secara opsional mengimplementasikan metode get_config() :

class Linear(keras.layers.Layer):
    def __init__(self, units=32):
        super(Linear, self).__init__()
        self.units = units

    def build(self, input_shape):
        self.w = self.add_weight(
            shape=(input_shape[-1], self.units),
            initializer="random_normal",
            trainable=True,
        )
        self.b = self.add_weight(
            shape=(self.units,), initializer="random_normal", trainable=True
        )

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

    def get_config(self):
        return {"units": self.units}


# Now you can recreate the layer from its config:
layer = Linear(64)
config = layer.get_config()
print(config)
new_layer = Linear.from_config(config)
{'units': 64}

Perhatikan bahwa __init__() metode dasar Layer kelas mengambil beberapa argumen kata kunci, dalam khususnya name dan dtype . Praktik yang baik untuk meneruskan argumen ini ke kelas induk di __init__() dan memasukkannya ke dalam konfigurasi lapisan:

class Linear(keras.layers.Layer):
    def __init__(self, units=32, **kwargs):
        super(Linear, self).__init__(**kwargs)
        self.units = units

    def build(self, input_shape):
        self.w = self.add_weight(
            shape=(input_shape[-1], self.units),
            initializer="random_normal",
            trainable=True,
        )
        self.b = self.add_weight(
            shape=(self.units,), initializer="random_normal", trainable=True
        )

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

    def get_config(self):
        config = super(Linear, self).get_config()
        config.update({"units": self.units})
        return config


layer = Linear(64)
config = layer.get_config()
print(config)
new_layer = Linear.from_config(config)
{'name': 'linear_8', 'trainable': True, 'dtype': 'float32', 'units': 64}

Jika Anda membutuhkan lebih banyak fleksibilitas saat melakukan deserialisasi lapisan dari konfigurasinya, Anda juga dapat mengganti metode kelas from_config() . Ini adalah implementasi dasar from_config() :

def from_config(cls, config):
  return cls(**config)

Untuk mempelajari lebih lanjut tentang serialisasi dan penyimpanan, lihat panduan lengkap untuk menyimpan dan membuat serial model .

Argumen training diistimewakan dalam metode call()

Beberapa lapisan, khususnya lapisan BatchNormalization dan lapisan Dropout , memiliki perilaku yang berbeda selama pelatihan dan inferensi. Untuk lapisan seperti itu, praktik standarnya adalah mengekspos argumen training (boolean) dalam metode call() .

Dengan mengekspos argumen ini di call() , Anda mengaktifkan loop pelatihan dan evaluasi bawaan (misalnya fit() ) untuk menggunakan lapisan dengan benar dalam pelatihan dan inferensi.

class CustomDropout(keras.layers.Layer):
    def __init__(self, rate, **kwargs):
        super(CustomDropout, self).__init__(**kwargs)
        self.rate = rate

    def call(self, inputs, training=None):
        if training:
            return tf.nn.dropout(inputs, rate=self.rate)
        return inputs

Argumen mask hak istimewa dalam metode call()

Argumen istimewa lainnya yang didukung oleh call() adalah argumen mask .

Anda akan menemukannya di semua lapisan Keras RNN. Mask adalah tensor boolean (satu nilai boolean per langkah waktu dalam masukan) yang digunakan untuk melewati langkah waktu masukan tertentu saat memproses data deret waktu.

Keras akan secara otomatis mengirimkan argumen mask benar ke __call__() untuk lapisan yang mendukungnya, saat mask dibuat oleh lapisan sebelumnya. Lapisan penghasil topeng adalah lapisan Embedding dikonfigurasi dengan mask_zero=True , dan lapisan Masking .

Untuk mempelajari lebih lanjut tentang masking dan cara menulis lapisan yang mendukung masking, silakan lihat panduan "memahami padding dan masking" .

Kelas Model

Secara umum, Anda akan menggunakan kelas Layer untuk mendefinisikan blok komputasi bagian dalam, dan akan menggunakan kelas Model untuk menentukan model luar - objek yang akan Anda latih.

Misalnya, dalam model ResNet50, Anda akan memiliki beberapa blok ResNet Layer subclass, dan Model tunggal yang mencakup seluruh jaringan ResNet50.

Kelas Model memiliki API yang sama dengan Layer , dengan perbedaan berikut:

  • Ini memperlihatkan pelatihan model.fit() , evaluasi, dan loop prediksi ( model.fit() , model.evaluate() , model.predict() ).
  • Ini memperlihatkan daftar lapisan dalamnya, melalui properti model.layers .
  • Ini memperlihatkan penyimpanan dan serialisasi API ( save() , save_weights() ...)

Secara efektif, kelas Layer sesuai dengan apa yang kita rujuk dalam literatur sebagai "lapisan" (seperti dalam "lapisan konvolusi" atau "lapisan berulang") atau sebagai "blok" (seperti dalam "blok ResNet" atau "blok Awal" ).

Sementara itu, kelas Model sesuai dengan apa yang disebut dalam literatur sebagai "model" (seperti dalam "model pembelajaran dalam") atau sebagai "jaringan" (seperti dalam "jaringan saraf dalam").

Jadi jika Anda bertanya-tanya, "haruskah saya menggunakan kelas Layer atau kelas Model ?", Tanyakan pada diri Anda: apakah saya perlu memanggil fit() di atasnya? Apakah saya perlu memanggil save() di atasnya? Jika demikian, gunakan Model . Jika tidak (baik karena kelas Anda hanya satu blok di sistem yang lebih besar, atau karena Anda menulis pelatihan & menyimpan kode sendiri), gunakan Layer .

Misalnya, kita bisa mengambil contoh mini-resnet di atas, dan menggunakannya untuk membangun Model yang bisa kita latih dengan fit() , dan yang bisa kita simpan dengan save_weights() :

class ResNet(tf.keras.Model):

    def __init__(self):
        super(ResNet, self).__init__()
        self.block_1 = ResNetBlock()
        self.block_2 = ResNetBlock()
        self.global_pool = layers.GlobalAveragePooling2D()
        self.classifier = Dense(num_classes)

    def call(self, inputs):
        x = self.block_1(inputs)
        x = self.block_2(x)
        x = self.global_pool(x)
        return self.classifier(x)


resnet = ResNet()
dataset = ...
resnet.fit(dataset, epochs=10)
resnet.save(filepath)

Menyatukan semuanya: contoh ujung ke ujung

Inilah yang telah Anda pelajari sejauh ini:

  • Layer merangkum keadaan (dibuat dalam __init__() atau build() ) dan beberapa komputasi (didefinisikan dalam call() ).
  • Lapisan dapat disarangkan secara rekursif untuk membuat blok komputasi baru yang lebih besar.
  • Lapisan dapat membuat dan melacak kerugian (biasanya kerugian regularisasi) serta metrik, melalui add_loss() dan add_metric()
  • Wadah luar, hal yang ingin Anda latih, adalah Model . Model adalah seperti Layer , tetapi dengan tambahan pelatihan dan utilitas serialisasi.

Mari kita gabungkan semua hal ini menjadi contoh ujung-ke-ujung: kita akan menerapkan Variational AutoEncoder (VAE). Kami akan melatihnya dengan digit MNIST.

VAE kami akan menjadi subclass Model , dibangun sebagai komposisi berlapis dari lapisan subclass Layer . Ini akan menampilkan kerugian regularisasi (divergensi KL).

from tensorflow.keras import layers


class Sampling(layers.Layer):
    """Uses (z_mean, z_log_var) to sample z, the vector encoding a digit."""

    def call(self, inputs):
        z_mean, z_log_var = inputs
        batch = tf.shape(z_mean)[0]
        dim = tf.shape(z_mean)[1]
        epsilon = tf.keras.backend.random_normal(shape=(batch, dim))
        return z_mean + tf.exp(0.5 * z_log_var) * epsilon


class Encoder(layers.Layer):
    """Maps MNIST digits to a triplet (z_mean, z_log_var, z)."""

    def __init__(self, latent_dim=32, intermediate_dim=64, name="encoder", **kwargs):
        super(Encoder, self).__init__(name=name, **kwargs)
        self.dense_proj = layers.Dense(intermediate_dim, activation="relu")
        self.dense_mean = layers.Dense(latent_dim)
        self.dense_log_var = layers.Dense(latent_dim)
        self.sampling = Sampling()

    def call(self, inputs):
        x = self.dense_proj(inputs)
        z_mean = self.dense_mean(x)
        z_log_var = self.dense_log_var(x)
        z = self.sampling((z_mean, z_log_var))
        return z_mean, z_log_var, z


class Decoder(layers.Layer):
    """Converts z, the encoded digit vector, back into a readable digit."""

    def __init__(self, original_dim, intermediate_dim=64, name="decoder", **kwargs):
        super(Decoder, self).__init__(name=name, **kwargs)
        self.dense_proj = layers.Dense(intermediate_dim, activation="relu")
        self.dense_output = layers.Dense(original_dim, activation="sigmoid")

    def call(self, inputs):
        x = self.dense_proj(inputs)
        return self.dense_output(x)


class VariationalAutoEncoder(keras.Model):
    """Combines the encoder and decoder into an end-to-end model for training."""

    def __init__(
        self,
        original_dim,
        intermediate_dim=64,
        latent_dim=32,
        name="autoencoder",
        **kwargs
    ):
        super(VariationalAutoEncoder, self).__init__(name=name, **kwargs)
        self.original_dim = original_dim
        self.encoder = Encoder(latent_dim=latent_dim, intermediate_dim=intermediate_dim)
        self.decoder = Decoder(original_dim, intermediate_dim=intermediate_dim)

    def call(self, inputs):
        z_mean, z_log_var, z = self.encoder(inputs)
        reconstructed = self.decoder(z)
        # Add KL divergence regularization loss.
        kl_loss = -0.5 * tf.reduce_mean(
            z_log_var - tf.square(z_mean) - tf.exp(z_log_var) + 1
        )
        self.add_loss(kl_loss)
        return reconstructed

Mari menulis loop pelatihan sederhana di MNIST:

original_dim = 784
vae = VariationalAutoEncoder(original_dim, 64, 32)

optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3)
mse_loss_fn = tf.keras.losses.MeanSquaredError()

loss_metric = tf.keras.metrics.Mean()

(x_train, _), _ = tf.keras.datasets.mnist.load_data()
x_train = x_train.reshape(60000, 784).astype("float32") / 255

train_dataset = tf.data.Dataset.from_tensor_slices(x_train)
train_dataset = train_dataset.shuffle(buffer_size=1024).batch(64)

epochs = 2

# Iterate over epochs.
for epoch in range(epochs):
    print("Start of epoch %d" % (epoch,))

    # Iterate over the batches of the dataset.
    for step, x_batch_train in enumerate(train_dataset):
        with tf.GradientTape() as tape:
            reconstructed = vae(x_batch_train)
            # Compute reconstruction loss
            loss = mse_loss_fn(x_batch_train, reconstructed)
            loss += sum(vae.losses)  # Add KLD regularization loss

        grads = tape.gradient(loss, vae.trainable_weights)
        optimizer.apply_gradients(zip(grads, vae.trainable_weights))

        loss_metric(loss)

        if step % 100 == 0:
            print("step %d: mean loss = %.4f" % (step, loss_metric.result()))
Start of epoch 0
step 0: mean loss = 0.3187
step 100: mean loss = 0.1247
step 200: mean loss = 0.0987
step 300: mean loss = 0.0888
step 400: mean loss = 0.0840
step 500: mean loss = 0.0807
step 600: mean loss = 0.0786
step 700: mean loss = 0.0770
step 800: mean loss = 0.0759
step 900: mean loss = 0.0749
Start of epoch 1
step 0: mean loss = 0.0746
step 100: mean loss = 0.0739
step 200: mean loss = 0.0734
step 300: mean loss = 0.0730
step 400: mean loss = 0.0726
step 500: mean loss = 0.0722
step 600: mean loss = 0.0720
step 700: mean loss = 0.0717
step 800: mean loss = 0.0714
step 900: mean loss = 0.0712

Perhatikan bahwa karena VAE adalah Model subclassing, ia dilengkapi loop pelatihan bawaan. Jadi Anda juga bisa melatihnya seperti ini:

vae = VariationalAutoEncoder(784, 64, 32)

optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3)

vae.compile(optimizer, loss=tf.keras.losses.MeanSquaredError())
vae.fit(x_train, x_train, epochs=2, batch_size=64)
Epoch 1/2
938/938 [==============================] - 2s 2ms/step - loss: 0.0747
Epoch 2/2
938/938 [==============================] - 2s 2ms/step - loss: 0.0676

<tensorflow.python.keras.callbacks.History at 0x7ff6583b2588>

Di luar pengembangan berorientasi objek: API Fungsional

Apakah contoh ini terlalu banyak pengembangan berorientasi objek untuk Anda? Anda juga dapat membangun model menggunakan API Fungsional . Yang penting, memilih satu gaya atau lainnya tidak mencegah Anda memanfaatkan komponen yang ditulis dalam gaya lain: Anda selalu dapat memadupadankan.

Misalnya, contoh API Fungsional di bawah ini menggunakan kembali lapisan Sampling sama yang kami definisikan dalam contoh di atas:

original_dim = 784
intermediate_dim = 64
latent_dim = 32

# Define encoder model.
original_inputs = tf.keras.Input(shape=(original_dim,), name="encoder_input")
x = layers.Dense(intermediate_dim, activation="relu")(original_inputs)
z_mean = layers.Dense(latent_dim, name="z_mean")(x)
z_log_var = layers.Dense(latent_dim, name="z_log_var")(x)
z = Sampling()((z_mean, z_log_var))
encoder = tf.keras.Model(inputs=original_inputs, outputs=z, name="encoder")

# Define decoder model.
latent_inputs = tf.keras.Input(shape=(latent_dim,), name="z_sampling")
x = layers.Dense(intermediate_dim, activation="relu")(latent_inputs)
outputs = layers.Dense(original_dim, activation="sigmoid")(x)
decoder = tf.keras.Model(inputs=latent_inputs, outputs=outputs, name="decoder")

# Define VAE model.
outputs = decoder(z)
vae = tf.keras.Model(inputs=original_inputs, outputs=outputs, name="vae")

# Add KL divergence regularization loss.
kl_loss = -0.5 * tf.reduce_mean(z_log_var - tf.square(z_mean) - tf.exp(z_log_var) + 1)
vae.add_loss(kl_loss)

# Train.
optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3)
vae.compile(optimizer, loss=tf.keras.losses.MeanSquaredError())
vae.fit(x_train, x_train, epochs=3, batch_size=64)
Epoch 1/3
938/938 [==============================] - 2s 2ms/step - loss: 0.0746
Epoch 2/3
938/938 [==============================] - 2s 2ms/step - loss: 0.0676
Epoch 3/3
938/938 [==============================] - 2s 2ms/step - loss: 0.0676

<tensorflow.python.keras.callbacks.History at 0x7ff658204588>

Untuk informasi lebih lanjut, pastikan untuk membaca panduan API Fungsional .