【深度学习】Keras和Tensorflow框架使用区别辨析_专栏

【深度学习】Keras和Tensorflow框架使用区别辨析

文章目录
1 概述
2 Keras简介
3 Tensorflow简介
4 使用tensorflow的几个小例子
5 Keras搭建CNN
6 tensorflow和keras版本对应关系
7 TensorFlow 2.0中的tf.keras和Keras有何区别？为什么以后一定要用tf.keras？

1 概述

Keras 已经被大规模采用，并与 TensorFlow 集成在一起。这种 TensorFlow + Keras 的组合让你可以：

使用 Keras 的接口定义模型；
如果你需要特定的 TensorFlow 功能或者需要实现 Keras 不支持但 TensorFlow 支持的自定义功能，可以回到 TensorFlow。
简单地说，你可以将 TensorFlow 代码直接插入到 Keras 的模型或训练管道中！

但请别误会，我并不是说你就不需要了解 TensorFlow 了。我的意思是，如果你：

刚开始接触深度学习……
在为下一个项目选型……
想知道 Keras 或 TensorFlow 哪个“更好”……
我的建议是先从 Keras 着手，然后深入 TensorFlow，这样可以获得你需要的某些特定功能。

2 Keras简介

Keras是基于TensorFlow和Theano（由加拿大蒙特利尔大学开发的机器学习框架）的深度学习库，是由纯python编写而成的高层神经网络API，也仅支持python开发。它是为了支持快速实践而对tensorflow或者Theano的再次封装，让我们可以不用关注过多的底层细节，能够把想法快速转换为结果。它也很灵活，且比较容易学。Keras默认的后端为tensorflow，如果想要使用theano可以自行更改。tensorflow和theano都可以使用GPU进行硬件加速，往往可以比CPU运算快很多倍。因此如果你的显卡支持cuda的话，建议尽可能利用cuda加速模型训练。（当机器上有可用的GPU时，代码会自动调用GPU 进行并行计算。）
目前Keras已经被TensorFlow收录，添加到TensorFlow 中，成为其默认的框架，成为TensorFlow官方的高级API。
在这里插入图片描述
CUDA GPU加速。

CUDA 是NVIDIA推出的用于自家 GPU 的并行计算框架，也就是说 CUDA 只能在NVIDIA的 GPU 上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥 CUDA 的作用。

3 Tensorflow简介

tensorflow是Google开源的基于数据流图的深度学习框架，支持python和c++程序开发语言。轰动一时的AlphaGo就是使用tensorflow进行训练的，其命名基于工作原理，tensor 意为张量（即多维数组），flow 意为流动。即多维数组从数据流图一端流动到另一端。目前该框架支持 Windows、Linux、Mac乃至移动手机端等多种平台。下图为其数据流动示意图。
在这里插入图片描述

4 使用tensorflow的几个小例子

创建一个constant张量
关于张量：
多维数组可以被称之为张量，和numpy中的数组一样，张量也有类型和形状。

import tensorflow as tf

import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]= "3"

a = tf.constant(5,name = 'input_a')
b = tf.constant(3,name = 'input_b')
c = tf.multiply(a,b,name='mul_c')
d = tf.add(a,b,name='add_d')
e = tf.add(c,d,name='add_e')
sess = tf.Session()
print(sess.run(a))
print(sess.run(b))
print(sess.run(c))
print(sess.run(d))
print(sess.run(e))

import tensorflow as tf

import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]= "3"

a = tf.constant([5,3],name = 'input_a')
b = tf.reduce_prod(a,name = 'pro_b')
c = tf.reduce_sum(a,name = 'sum_c')
d = tf.add(b,c,name = 'add_d')

sess = tf.Session()
print(sess.run(a))
print(sess.run(b))
print(sess.run(c))
print(sess.run(d))

import tensorflow as tf

import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]= "3"

#一行两列的张量
m1 = tf.constant([[2,2]])
#两行一列的张量
m2 = tf.constant([[3],[3]])
dot_operation = tf.matmul(m1,m2)

#方法一
sess = tf.Session()
result = sess.run(dot_operation)
print(result)

#方法二
with tf.Session() as sess:
    result = sess.run(dot_operation)
    print(result)

import tensorflow as tf

import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]= "3"
#创建未知的张量
x1 = tf.placeholder(dtype=tf.float32,shape=None)
y1 = tf.placeholder(dtype=tf.float32,shape=None)
z1 = x1 + y1

x2 = tf.placeholder(dtype=tf.float32,shape=[2,1])
y2 = tf.placeholder(dtype=tf.float32,shape=[1,2])
z2 = tf.matmul(x2,y2)

with tf.Session() as sess:
    #一个一个处理
    #z1_value = sess.run(z1,feed_dict={x1:1,y1:2})

    #一起处理
    z1_value,z2_value = sess.run([z1,z2],feed_dict={
        x1:1,y1:2,x2:[[2],[2]],y2:[[3,3]]
    })
    print(z1_value)
    print(z2_value)

结果：

3.0
[[6. 6.]
[6. 6.]]

#函数y= 0.1x + 0.3
import tensorflow as tf
#numpy是一个有关科学计算的模块
import numpy as np

#防止他输出一些没用的东西
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]= "3"

#创造数据,用这些数据去训练神经网络
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3

#开始创建结构
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

init = tf.global_variables_initializer()
#-----------------------------------------------
sess = tf.Session()
sess.run(init)

for step in range(201):
    sess.run(train)
    if step%20 == 0:
        print(step,sess.run(Weights),sess.run(biases))

5 Keras搭建CNN

这次我们主要讲CNN（Convolutional Neural Networks）卷积神经网络在 keras 上的代码实现。用到的数据集还是MNIST。不同的是这次用到的层比较多，导入的模块也相应增加了一些。

from keras.layers import Dense, Activation, Convolution2D, MaxPooling2D, Flatten

首先是数据预处理和model的设置。然后添加第一个卷积层，滤波器数量为32，大小是5*5，Padding方法是same即不改变数据的长度和宽带。因为是第一层所以需要说明输入数据的 shape ，激励选择 relu 函数。代码如下

model.add(Convolution2D(

    batch_input_shape=(64, 1, 28, 28),

    filters=32,

    kernel_size=5,

    strides=1,

    padding='same',      # Padding method

    data_format='channels_first',

))

model.add(Activation('relu'))

第一层 pooling（池化，下采样），分辨率长宽各降低一半，输出数据shape为（32，14，14）

model.add(MaxPooling2D(

    pool_size=2,

    strides=2,

    padding='same',    # Padding method

    data_format='channels_first',

))

再添加第二卷积层和池化层

model.add(Convolution2D(64, 5, strides=1, padding='same', data_format='channels_first'))

model.add(Activation('relu'))

model.add(MaxPooling2D(2, 2, 'same', data_format='channels_first'))

经过以上处理之后数据shape为（64，7，7），需要将数据抹平成一维，再添加全连接层1

model.add(Flatten())

model.add(Dense(1024))

model.add(Activation('relu'))

添加全连接层2（即输出层）

model.add(Dense(10))

model.add(Activation('softmax'))

设置adam优化方法，loss函数, metrics方法来观察输出结果

model.compile(optimizer=adam,
              loss='categorical_crossentropy',
              metrics=['accuracy'])

model.compile(optimizer=adam,

              loss='categorical_crossentropy',

              metrics=['accuracy'])

训练
开始训练模型

model.fit(X_train, y_train, epoch=1, batch_size=32,)

输出test的loss和accuracy结果
在这里插入图片描述

6 tensorflow和keras版本对应关系

Tensorflow版本 Keras版本
Tensorflow 2.1
Tensorflow 2.0
Tensorflow 1.15 Keras 2.3.1

Tensorflow 1.14 Keras 2.2.5

Tensorflow 1.13
Tensorflow 1.12
Tensorflow 1.11 Keras 2.2.4

Tensorflow 1.10
Tensorflow 1.9 Keras 2.2.0

Tensorflow 1.8
Tensorflow 1.7
Tensorflow 1.5 Keras 2.1.6

Tensorflow 1.4 Keras 2.0.8

Tensorflow 1.3
Tensorflow 1.2
Tensorflow 1.1
Tensorflow 1.0 Keras 2.0.6

Tensorflow 0.12 Keras 1.2.2

7 TensorFlow 2.0中的tf.keras和Keras有何区别？为什么以后一定要用tf.keras？

其实，TensorFlow 2.0 发布之后，许多像 Jeremiah 这样的深度学习从业人员都在挠头：

从 TensorFlow 1.x 到 TensorFlow 2.0 的过渡或多或少都会有点困难，至少在开始阶段是这样。但是如果你对它有足够多的了解，你的过渡期将会极其轻松。
在这里插入图片描述
2019 年 9 月 17 日，Keras v2.3.0 正式发布，在这个版本中 Francois Chollet（Keras 的创建者和首席维护者）声明：