 TensorFlow.orgで見る |  Google Colabで実行 |  GitHubでソースを表示 |  ノートブックをダウンロード |
セットアップ
import tensorflow as tf
from tensorflow import keras
Layerクラス：状態（重み）といくつかの計算の組み合わせ
Kerasの中心的な抽象概念の1つはLayerクラスです。レイヤーは、状態（レイヤーの「重み」）と入力から出力への変換（「呼び出し」、レイヤーのフォワードパス）の両方をカプセル化します。
これが密に接続されたレイヤーです。状態があります：変数wおよび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
Python関数のように、いくつかのテンソル入力でレイヤーを呼び出すことでレイヤーを使用します。
x = tf.ones((2, 2))
linear_layer = Linear(4, 2)
y = linear_layer(x)
print(y)
tf.Tensor( [[0.12307073 0.02895487 0.0810709 0.01129042] [0.12307073 0.02895487 0.0810709 0.01129042]], shape=(2, 4), dtype=float32)
重みwおよびbは、レイヤー属性として設定されると、レイヤーによって自動的に追跡されることに注意してください。
assert linear_layer.weights == [linear_layer.w, linear_layer.b]
レイヤーにウェイトを追加するためのより迅速なショートカットにもアクセスできることに注意してください： add_weight()メソッド：
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( [[-0.01666757 0.00838314 0.16164723 0.00700479] [-0.01666757 0.00838314 0.16164723 0.00700479]], shape=(2, 4), dtype=float32)
レイヤーはトレーニング不可能な重みを持つことができます
トレーニング可能なウェイトの他に、トレーニング不可能なウェイトをレイヤーに追加することもできます。このような重みは、レイヤーをトレーニングするときに、バックプロパゲーション中に考慮されないようになっています。
トレーニング不可能なウェイトを追加して使用する方法は次のとおりです。
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.]
これはlayer.weightsの一部ですが、トレーニング不可能なウェイトとして分類されます。
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: []
ベストプラクティス：入力の形状がわかるまで重みの作成を延期する
上記のLinearレイヤーは、 input_dim __init__()で重みwおよびb形状を計算するために使用されたinput_dim引数をinput_dimます
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
多くの場合、入力のサイズが事前にわからない場合があり、その値がわかったときに、レイヤーをインスタンス化した後しばらくして、重みを遅延して作成します。
Keras APIでは、レイヤーのbuild(self, inputs_shape)メソッドでレイヤーウェイトを作成することをお勧めします。このような：
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
レイヤーの__call__()メソッドは、最初に呼び出されたときに自動的にビルドを実行します。これで、レイジーで使いやすいレイヤーができました。
# 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)
レイヤーは再帰的に構成可能です
レイヤーインスタンスを別のレイヤーの属性として割り当てると、外側のレイヤーが内側のレイヤーの重みの追跡を開始します。
そのようなサブレイヤーを__init__()メソッドで作成することをお勧めします（サブレイヤーには通常ビルドメソッドがあるため、外側のレイヤーがビルドされるときにサブレイヤーがビルドされます）。
# 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
add_loss()メソッド
レイヤーのcall()メソッドを作成するときに、トレーニングループを作成するときに後で使用する損失テンソルを作成できます。これは、 self.add_loss(value)呼び出すことで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
これらの損失（任意の内部層によって作成されたものを含む）は、 layer.lossesを介して取得できます。このプロパティは、最上位レイヤーへのすべての__call__()の開始時にリセットされるため、 layer.lossesには、最後のフォワードパス中に作成された損失値が常に含まれます。
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
さらに、 lossプロパティには、内層の重みに対して作成された正則化損失も含まれます。
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=0.0013905405>]
これらの損失は、次のようにトレーニングループを記述するときに考慮されることを意図しています。
# 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))
トレーニングループの記述に関する詳細なガイドについては、ゼロからトレーニングループを記述するためのガイドを参照してください。
これらの損失は、 fit()とシームレスに連携しますfit()自動的に合計され、メインの損失がある場合は追加されます）。
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: 0.1989 1/1 [==============================] - 0s 920us/step - loss: 0.0205 <tensorflow.python.keras.callbacks.History at 0x7f9420370f98>
add_metric()メソッド
add_loss()と同様に、レイヤーにも、トレーニング中に数量の移動平均を追跡するためのadd_metric()メソッドがあります。
次のレイヤーについて考えてみます。「ロジスティックエンドポイント」レイヤー。それはそれを介して追跡損失計算、入力予測＆標的として取るadd_loss() 、そしてそれは介して追跡精度スカラー演算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)
この方法で追跡されるメトリックには、 layer.metricsを介してアクセスできます。
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 0x7f944c1652e8>] current accuracy value: 1.0
add_loss()と同様に、これらのメトリックはfit()によって追跡されます。
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 1ms/step - loss: 1.1002 - binary_accuracy: 0.0000e+00 <tensorflow.python.keras.callbacks.History at 0x7f9420362748>
必要に応じて、レイヤーでシリアル化を有効にすることができます
カスタムレイヤーを機能モデルの一部としてシリアル化できるようにする必要がある場合は、オプションでget_config()メソッドを実装できます。
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}
基本のLayerクラスの__init__()メソッドは、いくつかのキーワード引数、特にnameとdtype 。これらの引数を__init__()で親クラスに渡し、レイヤー構成に含めることをお__init__()します。
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}
レイヤーを構成から逆シリアル化するときにさらに柔軟性が必要な場合は、 from_config()クラスメソッドをオーバーライドすることもできます。これはfrom_config()基本実装です：
def from_config(cls, config):
return cls(**config)
シリアル化と保存の詳細については、モデルの保存とシリアル化に関する完全なガイドを参照してください。
call()メソッドの特権training引数
一部の層、特にBatchNormalization層とDropout層は、トレーニングと推論の間に異なる動作をします。このようなレイヤーの場合、 call()メソッドでtraining （ブール）引数を公開するのが標準的な方法です。
この引数をcall()で公開することにより、組み込みのトレーニングループと評価ループ（例： fit() ）がトレーニングと推論でレイヤーを正しく使用できるようにします。
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
call()メソッドの特権mask引数
call()がサポートするもう1つの特権引数はmask引数です。
あなたはそれをすべてのKeras RNN層で見つけるでしょう。マスクは、時系列データを処理するときに特定の入力タイムステップをスキップするために使用されるブールテンソル（入力のタイムステップごとに1つのブール値）です。
Kerasは、マスクが前のレイヤーによって生成されたときに、それをサポートするレイヤーの__call__()正しいmask引数を自動的に渡します。マスク生成レイヤーは、 mask_zero=Trueで構成されたEmbeddingレイヤーとMaskingレイヤーです。
マスキングとマスキング対応レイヤーの作成方法の詳細については、ガイド「パディングとマスキングについて」をご覧ください。
Modelクラス
一般に、 Layerクラスを使用して内部計算ブロックを定義し、 Modelクラスを使用して外部モデル（トレーニングするオブジェクト）を定義します。
たとえば、ResNet50モデルでは、 Layerサブクラス化するいくつかのResNetブロックと、ResNet50ネットワーク全体を網羅する単一のModelあります。
ModelクラスのAPIはLayerと同じですが、次の点が異なります。
- 組み込みのトレーニング、評価、および予測ループ（
model.fit()、model.evaluate()、model.predict()）をmodel.predict()ます。 -
model.layersプロパティを介して、内部レイヤーのリストを公開します。 - 保存およびシリアル化APIを公開します（
save()、save_weights()...）
事実上、 Layerクラスは、文献で「レイヤー」（「畳み込みレイヤー」または「繰り返しレイヤー」など）または「ブロック」（「ResNetブロック」または「開始ブロック」など）と呼んでいるものに対応します。 ）。
一方、 Modelクラスは、文献で「モデル」（「ディープラーニングモデル」など）または「ネットワーク」（「ディープニューラルネットワーク」など）と呼ばれるものに対応しています。
「 LayerクラスとModelクラスのどちらを使用すればよいのか」と疑問に思っている場合は、自分で確認してください。その上でfit()を呼び出す必要がありますか？その上でsave()を呼び出す必要がありますか？もしそうなら、 Modelで行きます。そうでない場合（クラスがより大きなシステムの単なるブロックであるか、自分でトレーニングを記述してコードを保存しているため）、 Layer使用します。
たとえば、上記のミニRESNETの例を使用して、 fit()でトレーニングできるModelを構築し、 save_weights()保存できるModelを作成します。
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)
すべてをまとめる：エンドツーエンドの例
これまでに学んだことは次のとおりです。
-
Layerは、状態（__init__()またはbuild()）といくつかの計算（call()定義）をカプセル化しcall()。 - レイヤーを再帰的にネストして、より大きな新しい計算ブロックを作成できます。
- レイヤーは、
add_loss()およびadd_metric()介して、メトリックだけでなく損失（通常は正則化損失）を作成および追跡できます。 - トレーニングしたい外側のコンテナは
Modelです。ModelはLayerと同じですが、トレーニングとシリアル化のユーティリティが追加されています。
これらすべてをエンドツーエンドの例にまとめましょう。VariationalAutoEncoder（VAE）を実装します。 MNISTディジットでトレーニングします。
私たちのVAEはModelサブクラスであり、 Layerをサブクラス化するLayerネストされた構成として構築されます。正則化損失（KL発散）が特徴です。
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
MNISTで簡単なトレーニングループを書いてみましょう。
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 = 0.3937 step 100: mean loss = 0.1274 step 200: mean loss = 0.1001 step 300: mean loss = 0.0898 step 400: mean loss = 0.0847 step 500: mean loss = 0.0813 step 600: mean loss = 0.0791 step 700: mean loss = 0.0774 step 800: mean loss = 0.0762 step 900: mean loss = 0.0752 Start of epoch 1 step 0: mean loss = 0.0749 step 100: mean loss = 0.0742 step 200: mean loss = 0.0737 step 300: mean loss = 0.0732 step 400: mean loss = 0.0729 step 500: mean loss = 0.0725 step 600: mean loss = 0.0721 step 700: mean loss = 0.0718 step 800: mean loss = 0.0716 step 900: mean loss = 0.0713
VAEはModelサブクラス化しているため、組み込みのトレーニングループを備えています。したがって、次のようにトレーニングすることもできます。
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: 0.0746 Epoch 2/2 938/938 [==============================] - 2s 2ms/step - loss: 0.0676 <tensorflow.python.keras.callbacks.History at 0x7f9420198208>
オブジェクト指向開発を超えて：関数型API
この例では、オブジェクト指向の開発が多すぎましたか？また、 Functional APIを使用してモデルを構築することもできます。重要なのは、いずれかのスタイルを選択しても、もう一方のスタイルで記述されたコンポーネントの活用が妨げられることはなく、いつでも組み合わせることができます。
たとえば、以下の機能APIの例では、上記の例で定義したものと同じSamplingレイヤーを再利用しています。
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: 0.0749 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 0x7f940c203ef0>