2021SC@SDUSC
Model definition
SimilarityModel()模型扩展了tensorflow.keras.model.Model，具有额外的功能和功能，允许索引和搜索类似示例。
如下方模型定义所示，相似性模型使用 MetricEmbedding（） 层输出 64 维浮点数嵌入。此层是具有 L2 normalization的Dense layer。由于loss，模型可以学会最大限度地缩短类似示例之间的距离，并最大限度地扩大不同示例之间的距离。因此，嵌入空间中示例之间的距离是有意义的：距离越小，示例越相似。
能够使用距离作为两个示例的类似程度的有意义的原则，是启用fast ANN（近邻）搜索的原因。使用线性时间下的 ANN 搜索而不是标准二次 NN 搜索是允许深度相似性搜索扩展到数百万个项目的原因。此笔记本中使用的内置内存索引很容易缩放到一百万个索引示示例。如果你有足够的内存:)
def get_model():
inputs = layers.Input(shape=(28, 28, 1))
x = layers.experimental.preprocessing.Rescaling(1/255)(inputs)
x = layers.Conv2D(32, 7, activation='relu')(x)
x = layers.Conv2D(32, 3, activation='relu')(x)
x = layers.MaxPool2D()(x)
x = layers.Conv2D(64, 7, activation='relu')(x)
x = layers.Conv2D(64, 3,activation='relu')(x)
x = layers.Flatten()(x)
x = layers.Dense(64, activation='relu')(x)
outputs = MetricEmbedding(64)(x)
return SimilarityModel(inputs, outputs)
model = get_model()
model.summary()
Model: “similarity_model_2"
Layer (type) Output Shape Param #
input_3 (InputLayer) [(None, 28, 28, 1)] 0
rescaling_2 (Rescaling) (None, 28, 28, 1) 0
conv2d_8 (Conv2D) (None, 26, 26, 32) 320
conv2d_9 (Conv2D) (None, 24, 24, 32) 9248
max_pooling2d_2 (MaxPooling2 (None, 12, 12, 32) 0
conv2d_10 (Conv2D) (None, 10, 10, 64) 18496
conv2d_11 (Conv2D) (None, 8, 8, 64) 36928
flatten_2 (Flatten) (None, 4096) 0
metric_embedding_3 (MetricEm (None, 64) 262208
Total params: 327,200
Trainable params: 327,200
Non-trainable params: 0
Layers, modules and models
Layers模块属于TensorFlow的一个稳定的中层API，其源码位于tensorflow/python/layers/layers.py
tf.nn，tf.layers， tf.contrib概述：
（1）tf.nn ：提供神经网络相关操作的支持，包括卷积操作（conv）、池化操作（pooling）、归一化、loss、分类操作、embedding、RNN、evaluation。 （2）tf.layers：主要提供的高层的神经网络，主要和卷积相关的，个人感觉是对tf.nn的进一步封装，tf.nn会更底层一些。 （3）tf.contrib：tf.contrib.layers提供够将计算图中的 网络层、正则化、摘要操作、是构建计算图的高级操作，但是tf.contrib包含不稳定和实验代码，有可能以后API会改变。
以上三个模块的封装程度是逐个递进的。
tf.layers模块提供的API：
input(…): 用于实例化一个输入 Tensor，作为神经网络的输入。
average_pooling1d(…): 一维平均池化层
average_pooling2d(…): 二维平均池化层
average_pooling3d(…): 三维平均池化层
batch_normalization(…): 批量标准化层
conv1d(…): 一维卷积层
conv2d(…): 二维卷积层
conv2d_transpose(…): 二维反卷积层
conv3d(…): 三维卷积层
conv3d_transpose(…): 三维反卷积层
dense(…): 全连接层
dropout(…): Dropout层
flatten(…): Flatten层，即把一个 Tensor 展平
max_pooling1d(…): 一维最大池化层
max_pooling2d(…): 二维最大池化层
max_pooling3d(…): 三维最大池化层
separable_conv2d(…): 二维深度可分离卷积层
-
input
tf.layers.Input() 这个方法是用于输入数据的方法，其实类似于 tf.placeholder，相当于一个占位符的作用，当然也可以通过传入 tensor 参数来进行赋值。 -
batch_normalization
此方法是批量标准化的方法，经过处理之后可以加速训练速度，其定义在
参考：https://www.tensorflow.org/api_docs/python/tf/layers/batch_normalization -
dense
dense，即全连接网络，layers 模块提供了一个 dense() 方法来实现此操作，定义在 tensorflow/python/layers/core.py 中，下面我们来说明一下它的用法。 -
convolution
convolution，即卷积，这里提供了多个卷积方法，如 conv1d()、conv2d()、conv3d()，分别代表一维、二维、三维卷积，另外还有 conv2d_transpose()、conv3d_transpose()，分别代表二维和三维反卷积，还有 separable_conv2d() 方法代表二维深度可分离卷积。它们定义在 tensorflow/python/layers/convolutional.py 中，其用法都是类似的，在这里以 conv2d() 方法为例进行说明。 -
pooling
pooling，即池化，layers 模块提供了多个池化方法，这几个池化方法都是类似的，包括 max_pooling1d()、max_pooling2d()、max_pooling3d()、average_pooling1d()、average_pooling2d()、average_pooling3d()，分别代表一维二维三维最大和平均池化方法，它们都定义在 tensorflow/python/layers/pooling.py 中 -
dropout
dropout 是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，可以用来防止过拟合，layers 模块中提供了 dropout() 方法来实现这一操作，定义在 tensorflow/python/layers/core.py。 -
flatten
flatten() 方法可以对 Tensor 进行展平操作，定义在tensorflow/python/layers/core.py
