Keras官方中文文档：keras后端Backend

zoukankan html css js c++ java

Keras官方中文文档：keras后端Backend
所属分类：Keras

Keras后端

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
查看全文

相关阅读:
翻转单词顺序
 java layout 表格项增加、删除、修改
 Hadoop学习之HBase
protected的一些功能
 hdu4431 Mahjong
kendo ui gird温馨提示(使用本地数据) 一个
 TOP计划猿10最佳实践文章
 Java高级应用（一个）-文件夹监控服务
 BSD介绍
 获取编译学习笔记（十三）—— 外部中断

原文地址：https://www.cnblogs.com/aibbtcom/p/8541794.html

Keras官方中文文档：keras后端Backend

Keras后端

什么是“后端”

切换后端

keras.json 细节

使用抽象的Keras后端来编写代码

Kera后端函数

backend

epsilon

set_epsilon

floatx

set_floatx(floatx)

cast_to_floatx

image_data_format

set_image_data_format

get_uid

reset_uids

is_keras_tensor

clear_session

manual_variable_initialization

learning_phase

set_learning_phase

is_sparse

to_dense

variable

placeholder

shape

int_shape

ndim

dtype

eval

zeros

ones

eye

zeros_like

ones_like

random_uniform_variable

count_params

cast

update

update_add

update_sub

moving_average_update

dot

batch_dot

transpose

gather

max

min

sum

prod

cumsum

cumprod

var

std

mean

any

all

argmax

argmin

square

abs

sqrt

exp

log

logsumexp

round

sign

pow

clip

equal

not_equal

greater

greater_equal

lesser

lesser_equal

maximum

minimum

sin

cos