什么是“后端”
Keras是一个模型级的库,提供了快速构建深度学习网络的模块。Keras并不处理如张量乘法、卷积等底层操作。这些操作依赖于某种特定的、优化良好的张量操作库。Keras依赖于处理张量的库就称为“后端引擎”。Keras提供了三种后端引擎Theano/Tensorflow/CNTK,并将其函数统一封装,使得用户可以以同一个接口调用不同后端引擎的函数
- Theano是一个开源的符号主义张量操作框架,由蒙特利尔大学LISA/MILA实验室开发。
- TensorFlow是一个符号主义的张量操作框架,由Google开发。
- CNTK是一个由微软开发的商业级工具包。
在未来,我们有可能要添加更多的后端选项。
切换后端
注意:Windows用户请把$Home
改为%USERPROFILE%
如果你至少运行过一次Keras,你将在下面的目录下找到Keras的配置文件:
$HOME/.keras/keras.json
如果该目录下没有该文件,你可以手动创建一个
文件的默认配置如下:
{
"image_data_format": "channels_last",
"epsilon": 1e-07,
"floatx": "float32",
"backend": "tensorflow"
}
将backend
字段的值改写为你需要使用的后端:theano
或tensorflow
或者CNTK
,即可完成后端的切换
我们也可以通过定义环境变量KERAS_BACKEND
来覆盖上面配置文件中定义的后端:
KERAS_BACKEND=tensorflow python -c "from keras import backend;"
Using TensorFlow backend.
keras.json 细节
{
"image_data_format": "channels_last",
"epsilon": 1e-07,
"floatx": "float32",
"backend": "tensorflow"
}
你可以更改以上~/.keras/keras.json
中的配置
-
iamge_data_format
:字符串,"channels_last"或"channels_first",该选项指定了Keras将要使用的维度顺序,可通过keras.backend.image_data_format()
来获取当前的维度顺序。对2D数据来说,"channels_last"假定维度顺序为(rows,cols,channels)而"channels_first"假定维度顺序为(channels, rows, cols)。对3D数据而言,"channels_last"假定(conv_dim1, conv_dim2, conv_dim3, channels),"channels_first"则是(channels, conv_dim1, conv_dim2, conv_dim3) -
epsilon
:浮点数,防止除0错误的小数字 -
floatx
:字符串,"float16"
,"float32"
,"float64"
之一,为浮点数精度 -
backend
:字符串,所使用的后端,为"tensorflow"或"theano"
使用抽象的Keras后端来编写代码
如果你希望你编写的Keras模块能够同时在Theano和TensorFlow两个后端上使用,你可以通过Keras后端接口来编写代码,这里是一个简介:
from keras import backend as K
下面的代码实例化了一个输入占位符,等价于tf.placeholder()
,T.matrix()
,T.tensor3()
等
input = K.placeholder(shape=(2, 4, 5))
# also works:
input = K.placeholder(shape=(None, 4, 5))
# also works:
input = K.placeholder(ndim=3)
下面的代码实例化了一个共享变量(shared),等价于tf.variable()
或 theano.shared()
val = np.random.random((3, 4, 5))
var = K.variable(value=val)
# all-zeros variable:
var = K.zeros(shape=(3, 4, 5))
# all-ones:
var = K.ones(shape=(3, 4, 5))
大多数你需要的张量操作都可以通过统一的Keras后端接口完成,而不关心具体执行这些操作的是Theano还是TensorFlow
a = b + c * K.abs(d)
c = K.dot(a, K.transpose(b))
a = K.sum(b, axis=2)
a = K.softmax(b)
a = concatenate([b, c], axis=-1)
# etc...
Kera后端函数
backend
backend()
返回当前后端
epsilon
epsilon()
以数值形式返回一个(一般来说很小的)数,用以防止除0错误
set_epsilon
set_epsilon(e)
设置在数值表达式中使用的fuzz factor,用于防止除0错误,该值应该是一个较小的浮点数,示例:
>>> from keras import backend as K
>>> K.epsilon()
1e-08
>>> K.set_epsilon(1e-05)
>>> K.epsilon()
1e-05
floatx
floatx()
返回默认的浮点数数据类型,为字符串,如 'float16', 'float32', 'float64'
set_floatx(floatx)
floatx()
设置默认的浮点数数据类型,为字符串,如 'float16', 'float32', 'float64',示例:
>>> from keras import backend as K
>>> K.floatx()
'float32'
>>> K.set_floatx('float16')
>>> K.floatx()
'float16'
cast_to_floatx
cast_to_floatx(x)
将numpy array转换为默认的Keras floatx类型,x为numpy array,返回值也为numpy array但其数据类型变为floatx。示例:
>>> from keras import backend as K
>>> K.floatx()
'float32'
>>> arr = numpy.array([1.0, 2.0], dtype='float64')
>>> arr.dtype
dtype('float64')
>>> new_arr = K.cast_to_floatx(arr)
>>> new_arr
array([ 1., 2.], dtype=float32)
>>> new_arr.dtype
dtype('float32')
image_data_format
image_data_format()
返回默认的图像的维度顺序(‘channels_last’或‘channels_first’)
set_image_data_format
set_image_data_format(data_format)
设置图像的维度顺序(‘tf’或‘th’),示例:
from keras import backend as K
K.image_data_format()
'channels_first'
K.set_image_data_format('channels_last')
K.image_data_format()
'channels_last'
### is_keras_tensor()
```python
is_keras_tensor(x)
判断x是否是keras tensor对象的谓词函数
>>> from keras import backend as K
>>> np_var = numpy.array([1, 2])
>>> K.is_keras_tensor(np_var)
False
>>> keras_var = K.variable(np_var)
>>> K.is_keras_tensor(keras_var) # A variable is not a Tensor.
False
>>> keras_placeholder = K.placeholder(shape=(2, 4, 5))
>>> K.is_keras_tensor(keras_placeholder) # A placeholder is a Tensor.
True
get_uid
get_uid(prefix='')
获得默认计算图的uid,依据给定的前缀提供一个唯一的UID,参数为表示前缀的字符串,返回值为整数.
reset_uids
reset_uids()
重置图的标识符
is_keras_tensor
is_keras_tensor(x)
判断x是否是一个Keras tensor,返回一个布尔值,示例
>>> from keras import backend as K
>>> np_var = numpy.array([1, 2])
>>> K.is_keras_tensor(np_var)
False
>>> keras_var = K.variable(np_var)
>>> K.is_keras_tensor(keras_var) # A variable is not a Tensor.
False
>>> keras_placeholder = K.placeholder(shape=(2, 4, 5))
>>> K.is_keras_tensor(keras_placeholder) # A placeholder is a Tensor.
True
clear_session
clear_session()
结束当前的TF计算图,并新建一个。有效的避免模型/层的混乱
manual_variable_initialization
manual_variable_initialization(value)
指出变量应该以其默认值被初始化还是由用户手动初始化,参数value为布尔值,默认False代表变量由其默认值初始化
learning_phase
learning_phase()
返回训练模式/测试模式的flag,该flag是一个用以传入Keras模型的标记,以决定当前模型执行于训练模式下还是测试模式下
set_learning_phase
set_learning_phase()
设置训练模式/测试模式0或1
is_sparse
is_sparse(tensor)
判断一个tensor是不是一个稀疏的tensor(稀不稀疏由tensor的类型决定,而不是tensor实际上有多稀疏),返回值是一个布尔值,示例:
>>> from keras import backend as K
>>> a = K.placeholder((2, 2), sparse=False)
>>> print(K.is_sparse(a))
False
>>> b = K.placeholder((2, 2), sparse=True)
>>> print(K.is_sparse(b))
True
to_dense
to_dense(tensor)
将一个稀疏tensor转换一个不稀疏的tensor并返回之,示例:
>>> from keras import backend as K
>>> b = K.placeholder((2, 2), sparse=True)
>>> print(K.is_sparse(b))
True
>>> c = K.to_dense(b)
>>> print(K.is_sparse(c))
False
variable
variable(value, dtype='float32', name=None)
实例化一个张量,返回之
参数:
- value:用来初始化张量的值
- dtype:张量数据类型
- name:张量的名字(可选)
示例:
>>> from keras import backend as K
>>> val = np.array([[1, 2], [3, 4]])
>>> kvar = K.variable(value=val, dtype='float64', name='example_var')
>>> K.dtype(kvar)
'float64'
>>> print(kvar)
example_var
>>> kvar.eval()
array([[ 1., 2.],
[ 3., 4.]])
placeholder
placeholder(shape=None, ndim=None, dtype='float32', name=None)
实例化一个占位符,返回之
参数:
- shape:占位符的shape(整数tuple,可能包含None)
- ndim: 占位符张量的阶数,要初始化一个占位符,至少指定
shape
和ndim
之一,如果都指定则使用shape
- dtype: 占位符数据类型
- name: 占位符名称(可选)
示例:
>>> from keras import backend as K
>>> input_ph = K.placeholder(shape=(2, 4, 5))
>>> input_ph._keras_shape
(2, 4, 5)
>>> input_ph
<tf.Tensor 'Placeholder_4:0' shape=(2, 4, 5) dtype=float32>
shape
shape(x)
返回一个张量的符号shape,符号shape的意思是返回值本身也是一个tensor,示例:
>>> from keras import backend as K
>>> tf_session = K.get_session()
>>> val = np.array([[1, 2], [3, 4]])
>>> kvar = K.variable(value=val)
>>> input = keras.backend.placeholder(shape=(2, 4, 5))
>>> K.shape(kvar)
<tf.Tensor 'Shape_8:0' shape=(2,) dtype=int32>
>>> K.shape(input)
<tf.Tensor 'Shape_9:0' shape=(3,) dtype=int32>
__To get integer shape (Instead, you can use K.int_shape(x))__
>>> K.shape(kvar).eval(session=tf_session)
array([2, 2], dtype=int32)
>>> K.shape(input).eval(session=tf_session)
array([2, 4, 5], dtype=int32)
int_shape
int_shape(x)
以整数Tuple或None的形式返回张量shape,示例:
>>> from keras import backend as K
>>> input = K.placeholder(shape=(2, 4, 5))
>>> K.int_shape(input)
(2, 4, 5)
>>> val = np.array([[1, 2], [3, 4]])
>>> kvar = K.variable(value=val)
>>> K.int_shape(kvar)
(2, 2)
ndim
ndim(x)
返回张量的阶数,为整数,示例:
>>> from keras import backend as K
>>> input = K.placeholder(shape=(2, 4, 5))
>>> val = np.array([[1, 2], [3, 4]])
>>> kvar = K.variable(value=val)
>>> K.ndim(input)
3
>>> K.ndim(kvar)
2
dtype
dtype(x)
返回张量的数据类型,为字符串,示例:
>>> from keras import backend as K
>>> K.dtype(K.placeholder(shape=(2,4,5)))
'float32'
>>> K.dtype(K.placeholder(shape=(2,4,5), dtype='float32'))
'float32'
>>> K.dtype(K.placeholder(shape=(2,4,5), dtype='float64'))
'float64'
__Keras variable__
>>> kvar = K.variable(np.array([[1, 2], [3, 4]]))
>>> K.dtype(kvar)
'float32_ref'
>>> kvar = K.variable(np.array([[1, 2], [3, 4]]), dtype='float32')
>>> K.dtype(kvar)
'float32_ref'
eval
eval(x)
求得张量的值,返回一个Numpy array,示例:
>>> from keras import backend as K
>>> kvar = K.variable(np.array([[1, 2], [3, 4]]), dtype='float32')
>>> K.eval(kvar)
array([[ 1., 2.],
[ 3., 4.]], dtype=float32)
zeros
zeros(shape, dtype='float32', name=None)
生成一个全0张量,示例:
>>> from keras import backend as K
>>> kvar = K.zeros((3,4))
>>> K.eval(kvar)
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]], dtype=float32)
ones
ones(shape, dtype='float32', name=None)
生成一个全1张量,示例
>>> from keras import backend as K
>>> kvar = K.ones((3,4))
>>> K.eval(kvar)
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]], dtype=float32)
eye
eye(size, dtype='float32', name=None)
生成一个单位矩阵,示例:
>>> from keras import backend as K
>>> kvar = K.eye(3)
>>> K.eval(kvar)
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]], dtype=float32)
zeros_like
zeros_like(x, name=None)
生成与另一个张量x的shape相同的全0张量,示例:
>>> from keras import backend as K
>>> kvar = K.variable(np.random.random((2,3)))
>>> kvar_zeros = K.zeros_like(kvar)
>>> K.eval(kvar_zeros)
array([[ 0., 0., 0.],
[ 0., 0., 0.]], dtype=float32)
ones_like
ones_like(x, name=None)
生成与另一个张量shape相同的全1张量,示例:
>>> from keras import backend as K
>>> kvar = K.variable(np.random.random((2,3)))
>>> kvar_ones = K.ones_like(kvar)
>>> K.eval(kvar_ones)
array([[ 1., 1., 1.],
[ 1., 1., 1.]], dtype=float32)
random_uniform_variable
random_uniform_variable(shape, low, high, dtype=None, name=None, seed=None)
初始化一个Keras变量,其数值为从一个均匀分布中采样的样本,返回之。
参数:
- shape:张量shape
- low:浮点数,均匀分布之下界
- high:浮点数,均匀分布之上界
- dtype:数据类型
- name:张量名
- seed:随机数种子
示例:
>>> kvar = K.random_uniform_variable((2,3), 0, 1)
>>> kvar
<tensorflow.python.ops.variables.Variable object at 0x10ab40b10>
>>> K.eval(kvar)
array([[ 0.10940075, 0.10047495, 0.476143 ],
[ 0.66137183, 0.00869417, 0.89220798]], dtype=float32)
count_params
count_params(x)
返回张量中标量的个数,示例:
>>> kvar = K.zeros((2,3))
>>> K.count_params(kvar)
6
>>> K.eval(kvar)
array([[ 0., 0., 0.],
[ 0., 0., 0.]], dtype=float32)
cast
cast(x, dtype)
改变张量的数据类型,dtype只能是float16
, float32
或float64
之一,示例:
>>> from keras import backend as K
>>> input = K.placeholder((2, 3), dtype='float32')
>>> input
<tf.Tensor 'Placeholder_2:0' shape=(2, 3) dtype=float32>
__It doesn't work in-place as below.__
>>> K.cast(input, dtype='float16')
<tf.Tensor 'Cast_1:0' shape=(2, 3) dtype=float16>
>>> input
<tf.Tensor 'Placeholder_2:0' shape=(2, 3) dtype=float32>
__you need to assign it.__
>>> input = K.cast(input, dtype='float16')
>>> input
<tf.Tensor 'Cast_2:0' shape=(2, 3) dtype=float16>```
update
update(x, new_x)
用new_x更新x
update_add
update_add(x, increment)
通过将x增加increment更新x
update_sub
update_sub(x, decrement)
通过将x减少decrement更新x
moving_average_update
moving_average_update(x, value, momentum)
含义暂不明确
dot
dot(x, y)
求两个张量的乘积。当试图计算两个N阶张量的乘积时,与Theano行为相同,如(2, 3).(4, 3, 5) = (2, 4, 5))
,示例:
>>> x = K.placeholder(shape=(2, 3))
>>> y = K.placeholder(shape=(3, 4))
>>> xy = K.dot(x, y)
>>> xy
<tf.Tensor 'MatMul_9:0' shape=(2, 4) dtype=float32>
>>> x = K.placeholder(shape=(32, 28, 3))
>>> y = K.placeholder(shape=(3, 4))
>>> xy = K.dot(x, y)
>>> xy
<tf.Tensor 'MatMul_9:0' shape=(32, 28, 4) dtype=float32>
Theano-like的行为示例:
>>> x = K.random_uniform_variable(shape=(2, 3), low=0, high=1)
>>> y = K.ones((4, 3, 5))
>>> xy = K.dot(x, y)
>>> K.int_shape(xy)
(2, 4, 5)
batch_dot
batch_dot(x, y, axes=None)
按批进行张量乘法,该函数用于计算x和y的点积,其中x和y都是成batch出现的数据。即它的数据shape形如(batch_size,:)
。batch_dot将产生比输入张量维度低的张量,如果张量的维度被减至1,则通过expand_dims
保证其维度至少为2
例如,假设x = [[1, 2],[3,4]]
, y = [[5, 6],[7, 8]]
,则batch_dot(x, y, axes=1) = [[17, 53]]
,即x.dot(y.T)
的主对角元素,此过程中我们没有计算过反对角元素的值
参数:
- x,y:阶数大于等于2的张量,在tensorflow下,只支持大于等于3阶的张量
- axes:目标结果的维度,为整数或整数列表,
axes[0]
和axes[1]
应相同
示例:
假设x=[[1,2],[3,4]]
,y=[[5,6],[7,8]]
,则batch_dot(x, y, axes=1)
为[[17, 53]]
,恰好为x.dot(y.T)
的主对角元,整个过程没有计算反对角元的元素。
我们做一下shape的推导,假设x是一个shape为(100,20)的tensor,y是一个shape为(100,30,20)的tensor,假设axes=(1,2)
,则输出tensor的shape通过循环x.shape和y.shape确定:
-
x.shape[0]
:值为100,加入到输入shape里 -
x.shape[1]
:20,不加入输出shape里,因为该维度的值会被求和(dot_axes[0]=1) -
y.shape[0]
:值为100,不加入到输出shape里,y的第一维总是被忽略 -
y.shape[1]
:30,加入到输出shape里 -
y.shape[2]
:20,不加到output shape里,y的第二个维度会被求和(dot_axes[1]=2) -
结果为(100, 30)
>>> x_batch = K.ones(shape=(32, 20, 1))
>>> y_batch = K.ones(shape=(32, 30, 20))
>>> xy_batch_dot = K.batch_dot(x_batch, y_batch, axes=[1, 2])
>>> K.int_shape(xy_batch_dot)
(32, 1, 30)
transpose
transpose(x)
张量转置,返回转置后的tensor,示例:
>>> var = K.variable([[1, 2, 3], [4, 5, 6]])
>>> K.eval(var)
array([[ 1., 2., 3.],
[ 4., 5., 6.]], dtype=float32)
>>> var_transposed = K.transpose(var)
>>> K.eval(var_transposed)
array([[ 1., 4.],
[ 2., 5.],
[ 3., 6.]], dtype=float32)
>>> input = K.placeholder((2, 3))
>>> input
<tf.Tensor 'Placeholder_11:0' shape=(2, 3) dtype=float32>
>>> input_transposed = K.transpose(input)
>>> input_transposed
<tf.Tensor 'transpose_4:0' shape=(3, 2) dtype=float32>
gather
gather(reference, indices)
在给定的张量中检索给定下标的向量
参数:
- reference:张量
- indices:整数张量,其元素为要查询的下标
返回值:一个与reference
数据类型相同的张量
max
max(x, axis=None, keepdims=False)
求张量中的最大值
min
min(x, axis=None, keepdims=False)
求张量中的最小值
sum
sum(x, axis=None, keepdims=False)
在给定轴上计算张量中元素之和
prod
prod(x, axis=None, keepdims=False)
在给定轴上计算张量中元素之积
cumsum
cumsum(x, axis=0)
在给定轴上求张量的累积和
cumprod
cumprod(x, axis=0)
在给定轴上求张量的累积积
var
var(x, axis=None, keepdims=False)
在给定轴上计算张量方差
std
std(x, axis=None, keepdims=False)
在给定轴上求张量元素之标准差
mean
mean(x, axis=None, keepdims=False)
在给定轴上求张量元素之均值
any
any(x, axis=None, keepdims=False)
按位或,返回数据类型为uint8的张量(元素为0或1)
all
any(x, axis=None, keepdims=False)
按位与,返回类型为uint8de tensor
argmax
argmax(x, axis=-1)
在给定轴上求张量之最大元素下标
argmin
argmin(x, axis=-1)
在给定轴上求张量之最小元素下标
square
square(x)
逐元素平方
abs
abs(x)
逐元素绝对值
sqrt
sqrt(x)
逐元素开方
exp
exp(x)
逐元素求自然指数
log
log(x)
逐元素求自然对数
logsumexp
logsumexp(x, axis=None, keepdims=False)
在给定轴上计算log(sum(exp())),该函数在数值稳定性上超过直接计算log(sum(exp())),可以避免由exp和log导致的上溢和下溢
round
round(x)
逐元素四舍五入
sign
sign(x)
逐元素求元素的符号(+1或-1)
pow
pow(x, a)
逐元素求x的a次方
clip
clip(x, min_value, max_value)
逐元素clip(将超出指定范围的数强制变为边界值)
equal
equal(x, y)
逐元素判相等关系,返回布尔张量
not_equal
not_equal(x, y)
逐元素判不等关系,返回布尔张量
greater
greater(x,y)
逐元素判断x>y关系,返回布尔张量
greater_equal
greater_equal(x,y)
逐元素判断x>=y关系,返回布尔张量
lesser
lesser(x,y)
逐元素判断x<y关系,返回布尔张量
lesser_equal
lesser_equal(x,y)
逐元素判断x<=y关系,返回布尔张量
maximum
maximum(x, y)
逐元素取两个张量的最大值
minimum
minimum(x, y)
逐元素取两个张量的最小值
sin
sin(x)
逐元素求正弦值
cos
cos(x)
逐元素求余弦值
normalize_batch_in_training
normalize_batch_in_training(x, gamma, beta, reduction_axes, epsilon=0.0001)
对一个batch数据先计算其均值和方差,然后再进行batch_normalization
batch_normalization
batch_normalization(x, mean, var, beta, gamma, epsilon=0.0001)
对一个batch的数据进行batch_normalization,计算公式为:
output = (x-mean)/(sqrt(var)+epsilon)*gamma+beta
concatenate
concatenate(tensors, axis=-1)
在给定轴上将一个列表中的张量串联为一个张量 specified axis
reshape
reshape(x, shape)
将张量的shape变换为指定shape
permute_dimensions
permute_dimensions(x, pattern)
按照给定的模式重排一个张量的轴
参数:
- pattern:代表维度下标的tuple如
(0, 2, 1)
resize_images
resize_images(X, height_factor, width_factor, dim_ordering)
依据给定的缩放因子,改变一个batch图片的shape,参数中的两个因子都为正整数,图片的排列顺序与维度的模式相关,如‘th’和‘tf’
resize_volumes
resize_volumes(X, depth_factor, height_factor, width_factor, dim_ordering)
依据给定的缩放因子,改变一个5D张量数据的shape,参数中的两个因子都为正整数,图片的排列顺序与维度的模式相关,如‘th’和‘tf’。5D数据的形式是batch, channels, depth, height, width或batch, depth, height, width, channels
repeat_elements
repeat_elements(x, rep, axis)
在给定轴上重复张量元素rep
次,与np.repeat
类似。例如,若xshape(s1, s2, s3)
并且给定轴为axis=1`,输出张量的shape为`(s1, s2 * rep, s3)
repeat
repeat(x, n)
重复2D张量,例如若xshape是(samples, dim)
且n为2,则输出张量的shape是(samples, 2, dim)
arange
arange(start, stop=None, step=1, dtype='int32')
生成1D的整数序列张量,该函数的参数与Theano的arange函数含义相同,如果只有一个参数被提供了,那么它实际上就是stop
参数的值
为了与tensorflow的默认保持匹配,函数返回张量的默认数据类型是int32
tile
tile(x, n)
将x在各个维度上重复n次,x为张量,n为与x维度数目相同的列表
batch_flatten
batch_flatten(x)
将一个n阶张量转变为2阶张量,其第一维度保留不变
expand_dims
expand_dims(x, dim=-1)
在下标为dim
的轴上增加一维
squeeze
squeeze(x, axis)
将下标为axis
的一维从张量中移除
temporal_padding
temporal_padding(x, padding=1)
向3D张量中间的那个维度的左右两端填充padding
个0值
asymmetric_temporal_padding
asymmetric_temporal_padding(x, left_pad=1, right_pad=1)
向3D张量中间的那个维度的一端填充padding
个0值
spatial_2d_padding
spatial_2d_padding(x, padding=(1, 1), dim_ordering='th')
向4D张量第二和第三维度的左右两端填充padding[0]
和padding[1]
个0值
spatial_3d_padding
spatial_3d_padding(x, padding=(1, 1, 1), dim_ordering='th')
向5D张量深度、高度和宽度三个维度上填充padding[0]
,padding[1]
和padding[2]
个0值
stack
stack(x, axis=0)
将一个列表中维度数目为R的张量堆积起来形成维度为R+1的新张量
one-hot
one_hot(indices, nb_classes)
输入为n维的整数张量,形如(batch_size, dim1, dim2, ... dim(n-1)),输出为(n+1)维的one-hot编码,形如(batch_size, dim1, dim2, ... dim(n-1), nb_classes)
reverse
reverse(x, axes)
将一个张量在给定轴上反转
get_value
get_value(x)
以Numpy array的形式返回张量的值
batch_get_value
batch_get_value(x)
以Numpy array list的形式返回多个张量的值
set_value
set_value(x, value)
从numpy array将值载入张量中
batch_set_value
batch_set_value(tuples)
将多个值载入多个张量变量中
参数:
- tuples: 列表,其中的元素形如
(tensor, value)
。value
是要载入的Numpy array数据
print_tensor
print_tensor(x, message='')
在求值时打印张量的信息,并返回原张量
function
function(inputs, outputs, updates=[])
实例化一个Keras函数
参数:
- inputs::列表,其元素为占位符或张量变量
- outputs:输出张量的列表
- updates:列表,其元素是形如
<tf.Tensor 'AssignAdd_9:0' shape=() dtype=float32_ref>
的张量.
gradients
gradients(loss, variables)
返回loss函数关于variables的梯度,variables为张量变量的列表
stop_gradient
stop_gradient(variables)
Returns variables
but with zero gradient with respect to every other variables.
rnn
rnn(step_function, inputs, initial_states, go_backwards=False, mask=None, constants=None, unroll=False, input_length=None)
在张量的时间维上迭代
参数:
- inputs: 形如
(samples, time, ...)
的时域信号的张量,阶数至少为3 - step_function:每个时间步要执行的函数
其参数: - input:形如
(samples, ...)
的张量,不含时间维,代表某个时间步时一个batch的样本 - states:张量列表
其返回值: - output:形如
(samples, ...)
的张量- new_states:张量列表,与‘states’的长度相同
- initial_states:形如
(samples, ...)
的张量,包含了step_function
状态的初始值。 - go_backwards:布尔值,若设为True,则逆向迭代序列
- mask:形如
(samples, time, 1)
的二值张量,需要屏蔽的数据元素上值为1 - constants:按时间步传递给函数的常数列表
- unroll:当使用TensorFlow时,RNN总是展开的。当使用Theano时,设置该值为
True
将展开递归网络 - input_length:使用TensorFlow时不需要此值,在使用Theano时,如果要展开递归网络,必须指定输入序列
返回值:形如(last_output, outputs, new_states)
的tuple
- last_output:rnn最后的输出,形如
(samples, ...)
- outputs:形如
(samples, time, ...)
的张量,每个在[s,t]点的输出对应于样本s在t时间的输出 - new_states: 列表,其元素为形如
(samples, ...)
的张量,代表每个样本的最后一个状态
switch
switch(condition, then_expression, else_expression)
依据给定的条件‘condition’(整数或布尔值)在两个表达式之间切换,注意两个表达式都应该是具有同样shape的符号化张量表达式
参数:
- condition:标量张量
- then_expression:TensorFlow表达式
- else_expression: TensorFlow表达式
in_train_phase
in_train_phase(x, alt)
如果处于训练模式,则选择x,否则选择alt,注意alt应该与x的shape相同
in_test_phase
in_test_phase(x, alt)
如果处于测试模式,则选择x,否则选择alt,注意alt应该与x的shape相同
relu
relu(x, alpha=0.0, max_value=None)
修正线性单元
参数:
- alpha:负半区斜率
- max_value: 饱和门限
elu
elu(x, alpha=1.0)
指数线性单元
参数:
- x:输入张量
- alpha: 标量
softmax
softmax(x)
返回张量的softmax值
softplus
softplus(x)
返回张量的softplus值
softsign
softsign(x)
返回张量的softsign值
categorical_crossentropy
categorical_crossentropy(output, target, from_logits=False)
计算输出张量和目标张量的Categorical crossentropy(类别交叉熵),目标张量与输出张量必须shape相同
sparse_categorical_crossentropy
sparse_categorical_crossentropy(output, target, from_logits=False)
计算输出张量和目标张量的Categorical crossentropy(类别交叉熵),目标张量必须是整型张量
binary_crossentropy
binary_crossentropy(output, target, from_logits=False)
计算输出张量和目标张量的交叉熵
sigmoid
sigmoid(x)
逐元素计算sigmoid值
hard_sigmoid
hard_sigmoid(x)
该函数是分段线性近似的sigmoid,计算速度更快
tanh
tanh(x)
逐元素计算sigmoid值
dropout
dropout(x, level, seed=None)
随机将x中一定比例的值设置为0,并放缩整个tensor
参数:
- x:张量
- level:x中设置成0的元素比例
- seed:随机数种子
l2_normalize
l2_normalize(x, axis)
在给定轴上对张量进行L2范数规范化
in_top_k
in_top_k(predictions, targets, k)
判断目标是否在predictions的前k大值位置
参数:
- predictions:预测值张量, shape为(batch_size, classes), 数据类型float32
- targets:真值张量, shape为(batch_size,),数据类型为int32或int64
- k:整数
conv1d
conv1d(x, kernel, strides=1, border_mode='valid', image_shape=None, filter_shape=None)
1D卷积
参数:
- kernel:卷积核张量
- strides:步长,整型
- border_mode:“same”,“valid”之一的字符串
conv2d
conv2d(x, kernel, strides=(1, 1), border_mode='valid', dim_ordering='th', image_shape=None, filter_shape=None)
2D卷积
参数:
- kernel:卷积核张量
- strides:步长,长为2的tuple
- border_mode:“same”,“valid”之一的字符串
- dim_ordering:“tf”和“th”之一,维度排列顺序
deconv2d
deconv2d(x, kernel, output_shape, strides=(1, 1), border_mode='valid', dim_ordering='th', image_shape=None, filter_shape=None)
2D反卷积(转置卷积)
参数:
- x:输入张量
- kernel:卷积核张量
- output_shape: 输出shape的1D的整数张量
- strides:步长,tuple类型
- border_mode:“same”或“valid”
- dim_ordering:“tf”或“th”
conv3d
conv3d(x, kernel, strides=(1, 1, 1), border_mode='valid', dim_ordering='th', volume_shape=None, filter_shape=None)
3D卷积
参数:
- x:输入张量
- kernel:卷积核张量
- strides:步长,tuple类型
- border_mode:“same”或“valid”
- dim_ordering:“tf”或“th”
pool2d
pool2d(x, pool_size, strides=(1, 1), border_mode='valid', dim_ordering='th', pool_mode='max')
2D池化
参数:
- pool_size:含有两个整数的tuple,池的大小
- strides:含有两个整数的tuple,步长
- border_mode:“same”,“valid”之一的字符串
- dim_ordering:“tf”和“th”之一,维度排列顺序
- pool_mode: “max”,“avg”之一,池化方式
pool3d
pool3d(x, pool_size, strides=(1, 1, 1), border_mode='valid', dim_ordering='th', pool_mode='max')
3D池化
参数:
- pool_size:含有3个整数的tuple,池的大小
- strides:含有3个整数的tuple,步长
- border_mode:“same”,“valid”之一的字符串
- dim_ordering:“tf”和“th”之一,维度排列顺序
- pool_mode: “max”,“avg”之一,池化方式
bias_add
bias_add(x, bias, data_format=None)
为张量增加一个偏置项
random_normal
random_normal(shape, mean=0.0, stddev=1.0, dtype=None, seed=None)
返回具有正态分布值的张量,mean和stddev为均值和标准差
random_uniform
random_uniform(shape, minval=0.0, maxval=1.0, dtype=None, seed=None)
返回具有均匀分布值的张量,minval和maxval是均匀分布的下上界
random_binomial
random_binomial(shape, p=0.0, dtype=None, seed=None)
返回具有二项分布值的张量,p是二项分布参数
truncated_normall
truncated_normal(shape, mean=0.0, stddev=1.0, dtype=None, seed=None)
返回具有截尾正态分布值的张量,在距离均值两个标准差之外的数据将会被截断并重新生成
ctc_label_dense_to_sparse
ctc_label_dense_to_sparse(labels, label_lengths)
将ctc标签从稠密形式转换为稀疏形式
ctc_batch_cost
ctc_batch_cost(y_true, y_pred, input_length, label_length)
在batch上运行CTC损失算法
参数:
- y_true:形如(samples,max_tring_length)的张量,包含标签的真值
- y_pred:形如(samples,time_steps,num_categories)的张量,包含预测值或输出的softmax值
- input_length:形如(samples,1)的张量,包含y_pred中每个batch的序列长
- label_length:形如(samples,1)的张量,包含y_true中每个batch的序列长
返回值:形如(samoles,1)的tensor,包含了每个元素的CTC损失
ctc_decode
ctc_decode(y_pred, input_length, greedy=True, beam_width=None, dict_seq_lens=None, dict_values=None)
使用贪婪算法或带约束的字典搜索算法解码softmax的输出
参数:
- y_pred:形如(samples,time_steps,num_categories)的张量,包含预测值或输出的softmax值
- input_length:形如(samples,1)的张量,包含y_pred中每个batch的序列长
- greedy:设置为True使用贪婪算法,速度快
- dict_seq_lens:dic_values列表中各元素的长度
- dict_values:列表的列表,代表字典
返回值:形如(samples,time_steps,num_catgories)的张量,包含了路径可能性(以softmax概率的形式)。注意仍然需要一个用来取出argmax和处理空白标签的函数
map_fn
map_fn(fn, elems, name=None)
元素elems在函数fn上的映射,并返回结果
参数:
- fn:函数
- elems:张量
- name:节点的名字
返回值:返回一个张量,该张量的第一维度等于elems,第二维度取决于fn
foldl
foldl(fn, elems, initializer=None, name=None)
减少elems,用fn从左到右连接它们
参数:
- fn:函数,例如:lambda acc, x: acc + x
- elems:张量
- initializer:初始化的值(elems[0])
- name:节点名
返回值:与initializer的类型和形状一致
foldr
foldr(fn, elems, initializer=None, name=None)
减少elems,用fn从右到左连接它们
参数:
- fn:函数,例如:lambda acc, x: acc + x
- elems:张量
- initializer:初始化的值(elems[-1])
- name:节点名
返回值:与initializer的类型和形状一致
艾伯特(http://www.aibbt.com/)国内第一家人工智能门户
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Keras官方中文文档:keras后端Backend - Python技术站