TensorFlow的11个使用技巧整理说明

　　TensorFlow2.x在构建模型和总体使用方面提供了很多便利。那么，在tf中有什么新功能？

　　使用Keras轻松进行模型构建;

　　在任何平台上的生产中都可以进行稳健的模型部署;

　　强大的研究实验;

　　通过清理不推荐使用的API来简化各个步骤

　　在本文中，我们将探索TF 2.0的10个功能，这些功能让TensorFlow的使用更加顺畅，减少了代码行并提高了效率，因为这些函数/类属于TensorFlow API。

　　1.用于构建输入管道的tf.data API

　　tf.data API提供了用于数据管道和相关操作的功能。 我们可以构建管道，映射预处理功能，洗牌或批量处理数据集等等。

　　利用张量构建管道

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）

　　》》》 iter（dataset）.next（）.numpy（）

　　8

　　洗牌和批量处理数据集

　　# Shuffle

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.shuffle（6）

　　》》》 iter（dataset）.next（）.numpy（）

　　0

　　# Batch

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.batch（2）

　　》》》 iter（dataset）.next（）.numpy（）

　　array（［8， 3］， dtype=int32）

　　# Shuffle and Batch

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.shuffle（6）.batch（2）

　　》》》 iter（dataset）.next（）.numpy（）

　　array（［3， 0］， dtype=int32）

　　压缩两个数据集

　　》》》 dataset0 = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）

　　》》》 dataset1 = tf.data.Dataset.from_tensor_slices（［1， 2， 3， 4， 5， 6］）

　　》》》 dataset = tf.data.Dataset.zip（（dataset0， dataset1））

　　》》》 iter（dataset）.next（）

　　（， ）

　　映射外部函数

　　def into_2（num）：

　　return num * 2

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.map（into_2）

　　》》》 iter（dataset）.next（）.numpy（）

　　16

　　2. 图像数据生成器

　　这是tensorflow.keras API的最佳特性之一（在我看来）。图像数据生成器能够在批处理和预处理过程中生成数据集切片，并实时进行数据扩充。

　　生成器允许直接从目录或数据帧进行数据流。

　　对图像数据生成器中的数据扩充的一个误解是，它向现有的数据集中添加了更多的数据。虽然这是数据增强的实际定义，但在图像数据生成器中，数据集中的图像在训练过程中会在不同的步骤进行动态转换，这样模型就可以在没有看到的噪声数据上进行训练。