keras 与tensorflow 混合使用

 

keras 与tensorflow 混合使用

keras 与tensorflow 混合使用

tensorfow

Fly

keras

最近tensorflow更新了新版本，到1.4了。作了许多更新，固然重要的是增长了tf.keras. 毕竟keras对于模型搭建的方便你们都是有目共睹的。

喜欢keras风格的模型搭建而不喜欢tensorflow的方式。
可是我的以为tensorflow的对于loss function定义的灵活性，仍是很是便捷的，因此秉承着将两者的优点放在一块儿的想法，研究了一下如何混合的过程。

众所周知，keras搭建模型有两种方式，Sequential 和 function（？）这两种方式，而函数式搭建每一层返回的都是tensor结果，这就和tensorflow里面的对上了。因此作了以下初探：

import tensorflow as tf
 	from tensorflow.examples.tutorials.mnist import input_data
 	 
 	 
 	# build module
 	 
 	img = tf.placeholder(tf.float32, shape=(None, 784))
 	labels = tf.placeholder(tf.float32, shape=(None, 10))
 	 
 	x = tf.keras.layers.Dense(128, activation='relu')(img)
 	x = tf.keras.layers.Dense(128, activation='relu')(x)
 	prediction = tf.keras.layers.Dense(10, activation='softmax')(x)
 	 
 	loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=prediction, labels=labels))
 	 
 	train_optim = tf.train.AdamOptimizer().minimize(loss)
 	 
 	mnist_data = input_data.read_data_sets('MNIST_data/', one_hot=True)
 	 
 	 
 	with tf.Session() as sess:
 	init = tf.global_variables_initializer()
 	sess.run(init)
 	 
 	for _ in range(1000):
 	batch_x, batch_y = mnist_data.train.next_batch(50)
 	sess.run(train_optim, feed_dict={img: batch_x, labels: batch_y})
 	 
 	acc_pred = tf.keras.metrics.categorical_accuracy(labels, prediction)
 	pred = sess.run(acc_pred, feed_dict={labels: mnist_data.test.labels, img: mnist_data.test.images})
 	 
 	print('accuracy: %.3f' % (sum(pred)/len(mnist_data.test.labels)))