HTML CSS JAVASCRIPT PYTHON PYTHON2 JAVA C C++ C# SQL Excel Linux AI BOOTSTRAP PHP 教程库 参考手册 技术文章 测验 练习 HOWTO FAQ
❮ 上一节 下一节 ❯

Keras - 模块

正如我们之前所了解的，Keras 模块包含预定义的类、函数和变量，它们对深度学习算法很有用。让我们在本章中学习 Keras 提供的模块。

可用模块

让我们首先查看 Keras 中可用的模块列表。

  • 初始化器 − 提供初始化器函数列表。我们可以在 Keras 层章中详细了解它。在机器学习的模型创建阶段。

  • 正则化器 − 提供正则化器函数列表。我们可以在 Keras 层 章中详细了解它。

  • 约束 − 提供约束函数列表。我们可以在Keras Layers一章中详细了解它。

  • Activations − 提供激活器函数列表。我们可以在Keras Layers一章中详细了解它。

  • Losses − 提供损失函数列表。我们可以在模型训练一章中详细了解它。

  • Metrics − 提供指标函数列表。我们可以在模型训练一章中详细了解它。

  • Optimizers − 提供优化器函数列表。我们可以在模型训练一章中详细了解它。

  • Callback −提供回调函数列表。我们可以在训练过程中使用它来打印中间数据，也可以基于某些条件停止训练本身(EarlyStopping方法)。

  • 文本处理 − 提供将文本转换为适合机器学习的 NumPy 数组的函数。我们可以在机器学习的数据准备阶段使用它。

  • 图像处理 − 提供将图像转换为适合机器学习的 NumPy 数组的函数。我们可以在机器学习的数据准备阶段使用它。

  • 序列处理 − 提供从给定的输入数据生成基于时间的数据的函数。我们可以在机器学习的数据准备阶段使用它。

  • 后端 −提供后端库的功能，如 TensorFlow 和 Theano。

  • 实用程序 − 提供大量在深度学习中有用的实用函数。

让我们在本章中看到 backend 模块和 utils 模型。

backend 模块

backend 模块 用于 keras 后端操作。默认情况下，keras 在 TensorFlow 后端之上运行。如果您愿意，可以切换到其他后端，如 Theano 或 CNTK。默认后端配置在 .keras/keras.json 文件下的根目录中定义。

可以使用以下代码导入 Keras backend 模块

>>> from keras import backend as k

如果我们使用默认后端 TensorFlow，则以下函数将返回基于 TensorFlow 的信息，如下所示 −

>>> k.backend() 
'tensorflow'
>>> k.epsilon() 
1e-07
>>> k.image_data_format() 
'channels_last'
>>> k.floatx() 
'float32'

让我们简要了解一些用于数据分析的重要后端函数−

get_uid()

它是默认图表的标识符。它定义如下 −

>>> k.get_uid(prefix='') 
1 
>>> k.get_uid(prefix='') 2

reset_uids

It is used resets the uid value.

>>> k.reset_uids()

现在，再次执行 get_uid()。这将被重置并再次更改为 1。

>>> k.get_uid(prefix='')
1

placeholder

它用于实例化占位符张量。用于保存 3-D 形状的简单占位符如下所示 −

>>> data = k.placeholder(shape = (1,3,3)) 
>>> data 
<tf.Tensor 'Placeholder_9:0' shape = (1, 3, 3) dtype = float32> 

If you use int_shape(), it will show the shape. 

>>> k.int_shape(data) (1, 3, 3)

点

它用于将两个张量相乘。假设 a 和 b 是两个张量，c 将是 ab 相乘的结果。假设 a 形状为 (4,2)，b 形状为 (2,3)。它定义如下，

>>> a = k.placeholder(shape = (4,2)) 
>>> b = k.placeholder(shape = (2,3)) 
>>> c = k.dot(a,b) 
>>> c 
<tf.Tensor 'MatMul_3:0' shape = (4, 3) dtype = float32> 
>>>

ones

它用于将所有值初始化为一个值。

>>> res = k.ones(shape = (2,2)) 

#print the value 

>>> k.eval(res) 
array([[1., 1.], [1., 1.]], dtype = float32)

batch_dot

用于批量执行两个数据的乘积，输入维度必须为2以上，如下所示 −

>>> a_batch = k.ones(shape = (2,3)) 
>>> b_batch = k.ones(shape = (3,2)) 
>>> c_batch = k.batch_dot(a_batch,b_batch) 
>>> c_batch 
<tf.Tensor 'ExpandDims:0' shape = (2, 1) dtype = float32>

变量

它用于初始化变量。让我们在这个变量中执行简单的转置操作。

>>> data = k.variable([[10,20,30,40],[50,60,70,80]]) 
#variable initialized here 
>>> result = k.transpose(data) 
>>> print(result) 
Tensor("transpose_6:0", shape = (4, 2), dtype = float32) 
>>> print(k.eval(result)) 
   [[10. 50.] 
   [20. 60.] 
   [30. 70.] 
   [40. 80.]]

如果你想从 numpy 访问 −

>>> data = np.array([[10,20,30,40],[50,60,70,80]]) 

>>> print(np.transpose(data)) 
   [[10 50] 
   [20 60] 
   [30 70] 
   [40 80]] 

>>> res = k.variable(value = data) 
>>> print(res) 
<tf.Variable 'Variable_7:0' shape = (2, 4) dtype = float32_ref>

is_sparse(tensor)

用于检查张量是否稀疏。

>>> a = k.placeholder((2, 2), sparse=True) 

>>> print(a) SparseTensor(indices =       
   Tensor("Placeholder_8:0", 
   shape = (?, 2), dtype = int64), 
values = Tensor("Placeholder_7:0", shape = (?,), 
dtype = float32), dense_shape = Tensor("Const:0", shape = (2,), dtype = int64)) 

>>> print(k.is_sparse(a)) True

to_dense()

它用于将稀疏转换为密集。

>>> b = k.to_dense(a)
>>> print(b) Tensor("SparseToDense:0", shape = (2, 2), dtype = float32)
>>> print(k.is_sparse(b)) False

random_uniform_variable

它用于使用均匀分布概念进行初始化。

k.random_uniform_variable(shape, mean, scale)

这里，

  • shape −以元组的形式表示行和列。

  • mean − 均匀分布的平均值。

  • scale − 均匀分布的标准差。

让我们看看下面的示例用法 −

>>> a = k.random_uniform_variable(shape = (2, 3), low=0, high = 1) 
>>> b = k. random_uniform_variable(shape = (3,2), low = 0, high = 1) 
>>> c = k.dot(a, b) 
>>> k.int_shape(c) 
(2, 2)

utils 模块

utils 为深度学习提供了实用的实用程序函数。utils 模块提供的一些方法如下 −

HDF5Matrix

用于以 HDF5 格式表示输入数据。

from keras.utils import HDF5Matrix data = HDF5Matrix('data.hdf5', 'data')

to_categorical

用于将类别向量转换为二进制类别矩阵。

>>> from keras.utils import to_categorical 
>>> labels = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 
>>> to_categorical(labels) 
array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.], 
   [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.], 
   [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.], 
   [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.], 
   [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.], 
   [0., 0., 0., 0., 0., 1., 0., 0., 0., 0.], 
   [0., 0., 0., 0., 0., 0., 1., 0., 0., 0.], 
   [0., 0., 0., 0., 0., 0., 0., 1., 0., 0.], 
   [0., 0., 0., 0., 0., 0., 0., 0., 1., 0.], 
   [0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]], dtype = float32)
>>> from keras.utils import normalize 
>>> normalize([1, 2, 3, 4, 5]) 
array([[0.13483997, 0.26967994, 0.40451992, 0.53935989, 0.67419986]])

print_summary

它用于打印模型的摘要。

from keras.utils import print_summary print_summary(model)

plot_model

它用于以点格式创建模型表示并将其保存到文件中。

from keras.utils import plot_model
plot_model(model,to_file = 'image.png')

这个plot_model将生成一个图像来了解模型的性能。

❮ 上一节 下一节 ❯