utils 工具
本模块提供了一系列有用工具
CustomObjectScope
keras.utils.generic_utils.CustomObjectScope()
提供定制类的作用域,在该作用域内全局定制类能够被更改,但在作用域结束后将回到初始状态。
以with
声明开头的代码将能够通过名字访问定制类的实例,在with的作用范围,这些定制类的变动将一直持续,在with作用域结束后,全局定制类的实例将回归其在with作用域前的状态。
with CustomObjectScope({"MyObject":MyObject}):
layer = Dense(..., W_regularizer="MyObject")
# save, load, etc. will recognize custom object by name
HDF5Matrix
keras.utils.io_utils.HDF5Matrix(datapath, dataset, start=0, end=None, normalizer=None)
这是一个使用HDF5数据集代替Numpy数组的方法
提供start
和end
参数可以进行切片,另外,还可以提供一个正规化函数或匿名函数,该函数将会在每片数据检索时自动调用。
x_data = HDF5Matrix(‘input/file.hdf5‘, ‘data‘)
model.predict(x_data)
- datapath: 字符串,HDF5文件的路径
- dataset: 字符串,在datapath路径下HDF5数据库名字
- start: 整数,想要的数据切片起点
- end: 整数,想要的数据切片终点
- normalizer: 在每个切片数据检索时自动调用的函数对象
Sequence
keras.utils.data_utils.Sequence()
序列数据的基类,例如一个数据集。
每个Sequence必须实现__getitem__
和__len__
方法
下面是一个例子:
from skimage.io import imread
from skimage.transform import resize
import numpy as np
__Here, `x_set` is list of path to the images__
# and `y_set` are the associated classes.
class CIFAR10Sequence(Sequence):
def __init__(self, x_set, y_set, batch_size):
self.X,self.y = x_set,y_set
self.batch_size = batch_size
def __len__(self):
return len(self.X) // self.batch_size
def __getitem__(self,idx):
batch_x = self.X[idx*self.batch_size:(idx+1)*self.batch_size]
batch_y = self.y[idx*self.batch_size:(idx+1)*self.batch_size]
return np.array([
resize(imread(file_name), (200,200))
for file_name in batch_x]), np.array(batch_y)
to_categorical
to_categorical(y, num_classes=None)
将类别向量(从0到nb_classes的整数向量)映射为二值类别矩阵, 用于应用到以categorical_crossentropy
为目标函数的模型中.
参数
- y: 类别向量
- num_classes:总共类别数
normalize
normalize(x, axis=-1, order=2)
对numpy数组规范化,返回规范化后的数组
参数
- x:待规范化的数据
- axis: 规范化的轴
- order:规范化方法,如2为L2范数
custom_object_scope
custom_object_scope()
提供定制类的作用域,在该作用域内全局定制类能够被更改,但在作用域结束后将回到初始状态。
以with
声明开头的代码将能够通过名字访问定制类的实例,在with的作用范围,这些定制类的变动将一直持续,在with作用域结束后,全局定制类的实例将回归其在with作用域前的状态。
本函数返回CustomObjectScope
对象
with custom_object_scope({"MyObject":MyObject}):
layer = Dense(..., W_regularizer="MyObject")
# save, load, etc. will recognize custom object by name
get_custom_objects
get_custom_objects()
检索全局定制类,推荐利用custom_object_scope更新和清理定制对象,但get_custom_objects
可被直接用于访问_GLOBAL_CUSTOM_OBJECTS
。本函数返回从名称到类别映射的全局字典。
get_custom_objects().clear()
get_custom_objects()["MyObject"] = MyObject
convert_all_kernels_in_model
convert_all_kernels_in_model(model)
将模型中全部卷积核在Theano和TensorFlow模式中切换
plot_model
plot_model(model, to_file=‘model.png‘, show_shapes=False, show_layer_names=True)
绘制模型的结构图
serialize_keras_object
serialize_keras_object(instance)
将keras对象序列化
deserialize_keras_object
eserialize_keras_object(identifier, module_objects=None, custom_objects=None, printable_module_name=‘object‘)
从序列中恢复keras对象
get_file
get_file(fname, origin, untar=False, md5_hash=None, file_hash=None, cache_subdir=‘datasets‘, hash_algorithm=‘auto‘, extract=False, archive_format=‘auto‘, cache_dir=None)
从给定的URL中下载文件, 可以传递MD5值用于数据校验(下载后或已经缓存的数据均可)
默认情况下文件会被下载到~/.keras
中的cache_subdir
文件夹,并将其文件名设为fname
,因此例如一个文件example.txt
最终将会被存放在`~/.keras/datasets/example.txt~
tar,tar.gz.tar.bz和zip格式的文件可以被提取,提供哈希码可以在下载后校验文件。命令喊程序shasum
和sha256sum
可以计算哈希值。
参数
- fname: 文件名,如果指定了绝对路径
/path/to/file.txt
,则文件将会保存到该位置。 - origin: 文件的URL地址
- untar: 布尔值,是否要进行解压
- md5_hash: MD5哈希值,用于数据校验,支持
sha256
和md5
哈希 - cache_subdir: 用于缓存数据的文件夹,若指定绝对路径
/path/to/folder
则将存放在该路径下。 - hash_algorithm: 选择文件校验的哈希算法,可选项有‘md5‘, ‘sha256‘, 和‘auto‘. 默认‘auto‘自动检测使用的哈希算法
- extract: 若为True则试图提取文件,例如tar或zip tries extracting the file as an Archive, like tar or zip.
- archive_format: 试图提取的文件格式,可选为‘auto‘, ‘tar‘, ‘zip‘, 和None. ‘tar‘ 包括tar, tar.gz, tar.bz文件. 默认‘auto‘是[‘tar‘, ‘zip‘]. None或空列表将返回没有匹配。
- cache_dir: 缓存文件存放地在,参考FAQ
返回值
下载后的文件地址
multi_gpu_model
keras.utils.multi_gpu_model(model, gpus)
将模型在多个GPU上复制
特别地,该函数用于单机多卡的数据并行支持,它按照下面的方式工作:
(1)将模型的输入分为多个子batch
(2)在每个设备上调用各自的模型,对各自的数据集运行
(3)将结果连接为一个大的batch(在CPU上)
例如,你的batch_size是64而gpus=2,则输入会被分为两个大小为32的子batch,在两个GPU上分别运行,通过连接后返回大小为64的结果。 该函数线性的增加了训练速度,最高支持8卡并行。
该函数只能在tf后端下使用
参数如下:
- model: Keras模型对象,为了避免OOM错误(内存不足),该模型应在CPU上构建,参考下面的例子。
- gpus: 大或等于2的整数,要并行的GPU数目。
该函数返回Keras模型对象,它看起来跟普通的keras模型一样,但实际上分布在多个GPU上。
例子:
import tensorflow as tf
from keras.applications import Xception
from keras.utils import multi_gpu_model
import numpy as np
num_samples = 1000
height = 224
width = 224
num_classes = 1000
# Instantiate the base model
# (here, we do it on CPU, which is optional).
with tf.device(‘/cpu:0‘):
model = Xception(weights=None,
input_shape=(height, width, 3),
classes=num_classes)
# Replicates the model on 8 GPUs.
# This assumes that your machine has 8 available GPUs.
parallel_model = multi_gpu_model(model, gpus=8)
parallel_model.compile(loss=‘categorical_crossentropy‘,
optimizer=‘rmsprop‘)
# Generate dummy data.
x = np.random.random((num_samples, height, width, 3))
y = np.random.random((num_samples, num_classes))
# This `fit` call will be distributed on 8 GPUs.
# Since the batch size is 256, each GPU will process 32 samples.
parallel_model.fit(x, y, epochs=20, batch_size=256)
艾伯特(http://www.aibbt.com/)国内第一家人工智能门户
原文地址:https://www.cnblogs.com/5rjscn/p/8541762.html