keras_13_keras后端

1. 后端Backend

• Keras 是一个模型级库，为开发深度学习模型提供了高层次的构建模块。它不处理诸如张量乘积和卷积等低级操作。相反，它依赖于一个专门的、优化的张量操作库来完成这个操作，它可以作为 Keras 的「后端引擎」。相比单独地选择一个张量库，而将 Keras 的实现与该库相关联，Keras 以模块方式处理这个问题，并且可以将几个不同的后端引擎无缝嵌入到 Keras 中。
• 目前，Keras 有三个后端实现可用: TensorFlow 后端，Theano 后端，CNTK 后端。
  • TensorFlow 是由 Google 开发的一个开源符号级张量操作框架。
  • Theano 是由蒙特利尔大学的 LISA Lab 开发的一个开源符号级张量操作框架。
  • CNTK 是由微软开发的一个深度学习开源工具包。

2. 切换后端

1. 找到$HOME/.keras/keras.json，配置文件如下

   {
       "image_data_format": "channels_last",
       "epsilon": 1e-07,
       "floatx": "float32",
       "backend": "tensorflow" //替换为cntk,theano
   }
   //或者直接修改linux的环境变量 ??
   // KERAS_BACKEND=tensorflow python -c "from keras import backend"
   

2. keras.josn的详细配置

   • image_data_format: 字符串，"channels_last" 或者 "channels_first"。它指定了 Keras 将遵循的数据格式约定。(keras.backend.image_data_format() 返回它。) - 对于 2D 数据 (例如图像)，"channels_last" 假定为 (rows, cols, channels)，而 "channels_first" 假定为 (channels, rows, cols)。 - 对于 3D 数据， "channels_last" 假定为 (conv_dim1, conv_dim2, conv_dim3, channels)，而 "channels_first" 假定为 (channels, conv_dim1, conv_dim2, conv_dim3)。
   • epsilon: 浮点数，用于避免在某些操作中被零除的数字soft常量。
   • floatx: 字符串，"float16", "float32", 或 "float64"。默认浮点精度。
   • backend: 字符串， "tensorflow", "theano", 或 "cntk"。

3. keras中backend的api

1. from keras import backend as K

2. 实例化一个输入占位符

   inputs = K.placeholder(shape=(2, 4, 5))
   # 同样可以：
   inputs = K.placeholder(shape=(None, 4, 5))
   # 同样可以：
   inputs = K.placeholder(ndim=3)
   
   #它等价于 tf.placeholder() 或 th.tensor.matrix(), th.tensor.tensor3(), 等等。
   

3. 实例化一个变量：

   import numpy as np
   val = np.random.random((3, 4, 5))
   var = K.variable(value=val)
   
   # 全 0 变量：
   var = K.zeros(shape=(3, 4, 5))
   # 全 1 变量：
   var = K.ones(shape=(3, 4, 5))
   
   # 它等价于 tf.Variable() 或 th.shared()
   

4. 你需要的大多数张量操作都可以像在 TensorFlow 或 Theano 中那样完成：

   # 使用随机数初始化张量
   b = K.random_uniform_variable(shape=(3, 4), low=0, high=1) # 均匀分布
   c = K.random_normal_variable(shape=(3, 4), mean=0, scale=1) # 高斯分布
   d = K.random_normal_variable(shape=(3, 4), mean=0, scale=1)
   
   # 张量运算
   a = b + c * K.abs(d)
   c = K.dot(a, K.transpose(b))
   a = K.sum(b, axis=1)
   a = K.softmax(b)
   a = K.concatenate([b, c], axis=-1)
   # 等等
   

5. 常用函数

   • 这部分用到再查，太多了。。另外，用到一次就来这里总结一次就好，慢慢积累！