TensorFlow 2 现在已经上线了!
TensorFlow 2现在是实时的!本教程将指导您使用深度学习构建一个简单的CIFAR-10图像分类器。在本教程中，我们将:
- 定义一个模型
- 设置一个数据管道
- 训练模型
- 使用多GPU加速训练速度
- 为监控过程/更新学习计划添加回调。
本教程中的代码可以在这里找到。（地址：https://github.com/lambdal/TensorFlow2-tutorial/tree/master/01-basic-image-classification ）
定义模型
TensorFlow 2使用Keras作为其高级API。Keras提供了两种定义模型的方法:顺序式API和函数式API。
使用Keras的顺序式API定义一个模型
使用Keras的函数式API定义相同的模型
顺序式API与函数式API
这些API之间的主要区别是：顺序式API要求其第一层使用input_shape提供，而函数式API要求其第一层是tf.keras.layers.Input，并且需要在最后调用tf.keras.models.Model构造器。
顺序式API更简洁，而函数式API更灵活，因为它允许一个模型是非顺序式的。例如，要在ResNet中具有跳过连接。本教程采用TensorFlow官方的ResNet的Keras实现，它使用了函数式API。
设置一个数据管道
我们现在已经定义了一个模型。为了训练这个模型，我们需要一个数据管道来向它提供标签化的训练数据。该数据管道执行以下任务:
- 加载: 将数据集（例如图像和标签）从存储器复制到程序的内存中。
- 预处理:转换数据集。例如，在图像分类中，我们可能会调整大小、白化、洗牌或批处理图像。
- 供给数据: 从一个数据集中获取例子并传入到一个训练循环中。
从存储器加载数据
首先，我们将CIFAR-10从存储器加载到numpy ndarrays:
注意:
- 当您第一次调用keras.datasets.cifar10.load_data时，CIFAR-10将会被从网络下载到 ~/.keras/datasets/cifar-10-batches-py.tar.gz。后续的调用就不涉及到网络了。
- x 表示尺寸为32 x 32 x 3的50000个图像 (宽度、高度和三个RGB通道)。
- y表示这50000个图像的标签。
理论上来说，我们可以简单地将这些原始numpy.ndarray对象提供到一个训练循环中，并将这称为一个数据管道。然而，为了获得更高的模型精度，我们需要对数据进行预处理(即在使用之前对其执行某些转换)。为此，我们利用了Tensorflow的Dataset类。
tf.data.Dataset 类
TensorFlow的Dataset类有两个主要用途:
- 它充当一个保存训练数据的容器。
- 它可以被用来在训练数据的元素上执行某些变换。
我们按照以下方式来实例化一个表示CIFAR-10数据集的tensorflow.data.Dataset对象:
在训练过程中，存储在train_dataset中的CIFAR-10训练示例将通过take()迭代器进行访问:
实际上，我们没有执行任何数据预处理过程。调用take()只简单地发送出原始CIFAR-10图像;前20张图像如下:
数据扩充
扩充经常用于“膨胀”训练数据集，这可以提高泛化性能。
让我们通过对每个图像执行以下步骤来扩充CIFAR-10数据集:
- 使用一个四像素的黑色边框填充图像。
- 从填充图像中随机裁剪一个32x32的区域。
- 抛硬币来决定图像是否应该被水平翻转。
我们首先定义一个函数，给定一个图像，执行上面的步骤1-3:
接下来，我们调用方法map;这个调用会返回一个新的Dataset对象，该对象包含将CIFAR-10中的每个图像传递到 augmentation中的结果。这个新对象将以原始顺序来发送转换后的图像:
以下是扩充后的前20张图像:
注: 扩充只应用于训练集;在推理过程中应用扩充将导致不确定的预测和验证分数。
随机打乱
我们随机打乱数据集。TensorFlow Dataset有一个shuffle方法，可以按照以下方式来将它链接到我们的扩充过程中:
要获得完美的随机打乱效果，buffer_size应该大于或等于数据集的大小(在本例中为50,000);对于大型数据集，这是不可能的。
以下是随机打乱后的Dataset中的20张图像:
规范化
将数据规范化是一种常见的做法。在这里，我们定义一个函数，线性缩放每个图像使具有零均值和单位方差:
接下来，我们将它与我们的扩充和随机打乱操作链接起来:
数据batching
最后，我们对数据集进行batch操作。我们将drop_remainder设置为True以删除足够多的训练示例，以便训练集的大小可以被batch_size整除。
我们现在有了一个完整的数据管道。现在我们就可以开始训练过程了。
训练模型
Keras模型需要在训练之前进行编译。编译过程本质上定义了三个东西:损失函数、优化器和评估指标:
注意，这里我们使用了sparse_categorical_crossentropy和 sparse_categorical_accuracy，因为每个标签都由一个整数(类的索引)表示。如果一个独热编码向量表示每个标签，那么我们应该使用categorical_crossentropy 和 categorical_accuracy。
Keras使用fit API来训练模型。我们可以选择在每个validation_freq训练epoch（迭代）中在一个验证数据集上来测试模型。
注意，我们使用测试数据集只是为了进行验证，因为CIFAR-10本身并不提供验证集。模型合理性验证应该在从训练数据集中分割出来的一组数据上进行。
注意，在本例中，fit函数接受了TensorFlow数据集对象(train_dataset和 test_dataset)。如前所述，它还可以接受numpy的ndarrays作为输入。使用数组的缺点是缺乏在数据集应用转换的灵活性。
要对模型进行评估，我们可以使用测试数据集调用evaluate方法:
多GPU
到目前为止，我们已经展示了如何使用TensorFlow的Dataset API来创建一个数据管道，以及如何使用Keras API来定义模型并进行训练和评估。下一步是让代码使用多个GPU来运行。
实际上，Tensorflow 2已经使您可以很容易地将您的单GPU实现转换成使用多个GPU运行。您所需要做的就是定义一个分布策略，并在策略范围内创建模型:
我们这里使用的是MirroredStrategy，它支持在一台机器上的多个GPU上执行同步的分布式训练。默认情况下，它使用NVIDIA NCCL作为多gpu归约实现。
注意，您将会想要基于您正在使用的GPU数量来使用数据管道的batch方法来扩展批尺寸。
添加回调
通常我们需要在训练期间执行一些自定义操作。例如，您可能希望在训练期间记录统计信息以用于调试或优化;执行一个学习速率时间表来提高训练效率;或者保存筛选器组聚集时的可视快照。在TensorFlow 2中，您可以使用回调特性来在训练期间实现自定义事件。
Tensorboard
TensorBoard主要用于在训练过程中记录和可视化信息。它非常适合于检查模型的性能。Tensorboard支持是通过tensorflow.keras.callbacks.TensorBoard回调函数提供的：
在上面的例子中，我们首先创建了一个TensorBoard回调，用于记录每个训练步骤的数据(通过update_freq=batch)，然后将这个回调附加到fit函数。TensorFlow将会生成tfevents文件，可以使用TensorBoard将其可视化。例如，这是训练过程中分类精度的可视化(蓝色表示训练精度，红色表示验证精度):
学习速率时间表
通常，我们希望随着训练的进行能对学习速率有良好的控制。一个自定义学习速率时间表可以作为回调函数来实现。在这里，我们创建了一个自定义的schedule函数，它使用一个step函数(在第30个epoch和第45个epoch)来降低学习速率。这个schedule被转换成一个keras.callbacks.LearningRateScheduler并附加到fit函数。
这些是一个60个epoch的自定义学习速率的统计信息:
总结
本教程以图像分类为例，介绍了TensorFlow 2.0的基础知识。我们覆盖了:
- 带有TensorFlow 2的数据集API的数据管道
- 使用Keras (TensorFlow 2的官方高级API)训练、评估、保存和恢复模型
- 带有分布式策略的多GPU
- 带有回调的自定义训练
下面是本教程的完整代码。您还可以使用此TensorFlow 2.0教程代码仓库来复制我们有关TensorFlow 2.0的教程。
英文原文：https://lambdalabs.com/blog/tensorflow-2-0-tutorial-01-image-classification-basics/
閱讀更多 Python部落 的文章
