【592】Keras相关函数说明

参考：Keras API reference

参考：Keras: 基于 Python 的深度学习库

---

• tf.keras.Input：用于添加输入张量

• tf.keras.layers.Conv2D：二维卷积

• tf.keras.layers.MaxPooling2D：二维最大池化

• tf.keras.layers.UpSampling2D：二维上采样

• tf.keras.layers.BatchNormalization：批量标准化层，在每一个批次的数据中标准化前一层的激活项， 即，应用一个维持激活项平均值接近 0，标准差接近 1 的转换。

• Merging layers：

  • tf.keras.layers.Concatenate：按照输入顺序进行连接，axis 的值对应于 shape 的 0、1、2 的位置
    

    import keras 
    from keras.layers import Concatenate
    import numpy as np 
    
    x = np.arange(20).reshape(2, 2, 5)
    x 
    
    array([[[ 0,  1,  2,  3,  4],
            [ 5,  6,  7,  8,  9]],
    
           [[10, 11, 12, 13, 14],
            [15, 16, 17, 18, 19]]])
    
    y = np.arange(20, 40).reshape(2, 2, 5)
    y 
    
    array([[[20, 21, 22, 23, 24],
            [25, 26, 27, 28, 29]],
    
           [[30, 31, 32, 33, 34],
            [35, 36, 37, 38, 39]]])
    
    Concatenate(axis=0)([x, y])
    # when axis=0, it changes the outmost layer
    
    <tf.Tensor: shape=(4, 2, 5), dtype=int64, numpy=
    array([[[ 0,  1,  2,  3,  4],
            [ 5,  6,  7,  8,  9]],
    
           [[10, 11, 12, 13, 14],
            [15, 16, 17, 18, 19]],
    
           [[20, 21, 22, 23, 24],
            [25, 26, 27, 28, 29]],
    
           [[30, 31, 32, 33, 34],
            [35, 36, 37, 38, 39]]])>
    
    Concatenate(axis=0)([y, x])
    
    <tf.Tensor: shape=(4, 2, 5), dtype=int64, numpy=
    array([[[20, 21, 22, 23, 24],
            [25, 26, 27, 28, 29]],
    
           [[30, 31, 32, 33, 34],
            [35, 36, 37, 38, 39]],
    
           [[ 0,  1,  2,  3,  4],
            [ 5,  6,  7,  8,  9]],
    
           [[10, 11, 12, 13, 14],
            [15, 16, 17, 18, 19]]])>
    
    Concatenate(axis=1)([x, y])
    # when axis=1, it changes the middle layer
    # column
    
    <tf.Tensor: shape=(2, 4, 5), dtype=int64, numpy=
    array([[[ 0,  1,  2,  3,  4],
            [ 5,  6,  7,  8,  9],
            [20, 21, 22, 23, 24],
            [25, 26, 27, 28, 29]],
    
           [[10, 11, 12, 13, 14],
            [15, 16, 17, 18, 19],
            [30, 31, 32, 33, 34],
            [35, 36, 37, 38, 39]]])>
    
    Concatenate(axis=1)([y, x])
    
    <tf.Tensor: shape=(2, 4, 5), dtype=int64, numpy=
    array([[[20, 21, 22, 23, 24],
            [25, 26, 27, 28, 29],
            [ 0,  1,  2,  3,  4],
            [ 5,  6,  7,  8,  9]],
    
           [[30, 31, 32, 33, 34],
            [35, 36, 37, 38, 39],
            [10, 11, 12, 13, 14],
            [15, 16, 17, 18, 19]]])>
    
    Concatenate(axis=2)([x, y])
    # get the same result with
    # Concatenate(axis=-1)([x, y])
    # when axis=-1, it changes the inmost layer
    # row
    
    <tf.Tensor: shape=(2, 2, 10), dtype=int64, numpy=
    array([[[ 0,  1,  2,  3,  4, 20, 21, 22, 23, 24],
            [ 5,  6,  7,  8,  9, 25, 26, 27, 28, 29]],
    
           [[10, 11, 12, 13, 14, 30, 31, 32, 33, 34],
            [15, 16, 17, 18, 19, 35, 36, 37, 38, 39]]])>
    
    Concatenate(axis=-1)([y, x])
    
    <tf.Tensor: shape=(2, 2, 10), dtype=int64, numpy=
    array([[[20, 21, 22, 23, 24,  0,  1,  2,  3,  4],
            [25, 26, 27, 28, 29,  5,  6,  7,  8,  9]],
    
           [[30, 31, 32, 33, 34, 10, 11, 12, 13, 14],
            [35, 36, 37, 38, 39, 15, 16, 17, 18, 19]]])>

  • tf.keras.layers.Add：按照输入顺序进行相加
    

    import keras 
    from keras.layers import Concatenate, Add
    import numpy as np 
    
    x = np.arange(20).reshape(2, 2, 5)
    x 
    
    array([[[ 0,  1,  2,  3,  4],
            [ 5,  6,  7,  8,  9]],
    
           [[10, 11, 12, 13, 14],
            [15, 16, 17, 18, 19]]])
    
    y = np.arange(20, 40).reshape(2, 2, 5)
    y 
    
    array([[[20, 21, 22, 23, 24],
            [25, 26, 27, 28, 29]],
    
           [[30, 31, 32, 33, 34],
            [35, 36, 37, 38, 39]]])
    
    Add()([x, y])
    
    <tf.Tensor: shape=(2, 2, 5), dtype=int64, numpy=
    array([[[20, 22, 24, 26, 28],
            [30, 32, 34, 36, 38]],
    
           [[40, 42, 44, 46, 48],
            [50, 52, 54, 56, 58]]])>

  • Average layer
  • Maximum layer
  • Minimum layer
  • Subtract layer
  • Multiply layer
  • Dot layer

• tf.keras.preprocessing.image：图像数据处理

• tf.keras.preprocessing.image.load_img：加载一张图片为 PIL 格式。

• tf.keras.preprocessing.image.img_to_array：将 PIL 格式图片实例转换为一个 Numpy 数组。

• tf.keras.preprocessing.image.ImageDataGenerator：生成批量的图片张量（包含数据增强）。

  • flow_from_directory：Takes the path to a directory & generates batches of augmented data.

• tf.keras.Model：在函数式 API 中，给定一些输入张量和输出张量可以构建一个模型
  中文链接

  • compile：用于配置训练模型。
  • fit：以给定数量的轮次（数据集上的迭代）训练模型。
  • evaluate：在测试模式下返回模型的误差值和评估标准值。
  • predict：为输入样本生成输出预测。
  • fit_generator：使用 Python 生成器（或 Sequence 实例）逐批生成的数据，按批次训练模型。
  • evaluate_generator：在数据生成器上评估模型。
  • predict_generator：为来自数据生成器的输入样本生成预测。
  • summary：打印网络结构。
  • save：保存模型参数及结构。
  • save_model
  • load_model
  • get_weights
  • save_weights
  • load_weights