溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
今天小編給大家分享的是如何解決TensorFlow調用Keras庫函數存在的問題，相信很多人都不太了解，為了讓大家更加了解，所以給大家總結了以下內容，一起往下看吧。一定會有所收獲的哦。
tensorflow在1.4版本引入了keras，封裝成庫。現想將keras版本的GRU代碼移植到TensorFlow中，看到TensorFlow中有Keras庫，大喜，故將神經網絡定義部分使用Keras的Function API方式進行定義，訓練部分則使用TensorFlow來進行編寫。一頓操作之后，運行，沒有報錯，不由得一喜。但是輸出結果，發現，和預期的不一樣。難道是欠擬合？故采用正弦波預測余弦來驗證算法模型。
部分調用keras庫代碼如上圖所示，用正弦波預測余弦波，出現如下現象：
def interface(_input): tmp = tf.keras.layers.Dense(10)(_input) vad_gru = tf.keras.layers.GRU(24, return_sequences=True)(tmp) denoise_output = tf.keras.layers.Dense(1)(vad_gru) return denoise_output
波形是斷斷續續的。而且最后不收斂。
運行N久。。。之后
基本斷定是程序本身的問題，于是通過排查，發現應該是GRU的initial_state沒有進行更新導致的。導致波形是斷斷續續的，沒有學習到前一次網絡的輸出。于是，決定不使用Keras庫實現一遍：
部分代碼如下：
def interface(_input):
tmp = tf.keras.layers.Dense(10)(_input)
gru_cell = tf.nn.rnn_cell.GRUCell(vad_cell_size)
with tf.name_scope('initial_state'):
cell_init_state = gru_cell.zero_state(batch_size, dtype=tf.float32)
cell_outputs, cell_final_state = tf.nn.dynamic_rnn(
gru_cell, tmp, initial_state=cell_init_state, time_major=False)
denoise_output = tf.keras.layers.Dense(1)(cell_outputs)
return denoise_output, cell_init_state, cell_final_state波形圖如下（這才是GRU的正確打開方式啊～）：
再回頭看之前寫的調用keras，既然知道了是initial_state沒有更新，那么如何進行更新呢？
網上查找了大量的資料，說要加上
update_ops = [] for old_value, new_value in layers.updates: update_ops.append(tf.assign(old_value, new_value))
但是加上去沒有效果，是我加錯了還是其他的，大家歡迎指出來
以下是我做的一些嘗試，就不一一詳細說明了，大家看一下，具體不再展開，有問題大家交流一下，有解決方法的，能夠分享出來，感激不盡～
def interface(_input):
# input_layer = tf.keras.layers.Input([None, 1])
# input_layer = tf.keras.layers.Input(batch_shape=(50, 20, 1))
tmp = tf.keras.layers.Dense(10)(_input)
# tmp = tf.keras.layers.Dense(24)(tmp)
# with tf.variable_scope('vad_gru', reuse=tf.AUTO_REUSE):
# vad_gru, final_state = tf.keras.layers.GRU(24, return_sequences=True, return_state=True, stateful=True)(tmp)
# print(vad_gru)
# _initial_state = vad_gru.zero_state(50, tf.float32)
# tf.get_variable_scope().reuse_variables()
# vad_gru = tf.contrib.
# tmp = tf.reshape(tmp, [-1, TIME_STEPS, vad_cell_size])
gru_cell = tf.nn.rnn_cell.GRUCell(vad_cell_size)
# gru_cell = tf.keras.layers.GRUCell(self.vad_cell_size)
with tf.name_scope('initial_state'):
cell_init_state = gru_cell.zero_state(batch_size, dtype=tf.float32)
cell_outputs, cell_final_state = tf.nn.dynamic_rnn(
gru_cell, tmp, initial_state=cell_init_state, time_major=False)
# print(cell_outputs.get_shape().as_list())
# cell_outputs = tf.reshape(cell_outputs, [-1, vad_cell_size])
denoise_output = tf.keras.layers.Dense(1)(cell_outputs)
print(denoise_output.get_shape().as_list())
# model = tf.keras.models.Model(input_layer, denoise_output)
# update_ops = []
# for old_value, new_value in model.layers[1].updates:
# update_ops.append(tf.assign(old_value, new_value))
return denoise_output, cell_init_state, cell_final_state補充知識：TensorFlow和Keras常用方法（避坑）
TensorFlow
在TensorFlow中，除法運算：
1.tensor除法會使結果的精度高一級，可能會導致后面計算類型不匹配，如float32 / float32 = float64。
2.除法需要分子分母同類型，否則報錯。
產生類似錯誤提示如下：
-1.TypeError: x and y must have the same dtype, got tf.float32 != tf.int32
-2.TypeError: Input ‘y' of ‘Mul' Op has type float32 that does not match type float64 of argument ‘x'.
-3.ValueError: Tensor conversion requested dtype float64 for Tensor with dtype float32: ‘Tensor(“Sum:0”, shape=(), dtype=float32)'
-4.ValueError: Incompatible type conversion requested to type ‘int32' for variable of type ‘float32_ref'
解決辦法：
tf.cast(a, tf.float32) # 轉換成同類型即可
tf.boolean_mask
K.gather
K.argmax
K.max
關于如何解決TensorFlow調用Keras庫函數存在的問題就分享到這里了，希望以上內容可以對大家有一定的參考價值，可以學以致用。如果喜歡本篇文章，不妨把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
