Keras 模块

2021-10-22 10:00 更新

正如我们之前了解到的,Keras 模块包含对深度学习算法有用的预定义类、函数和变量。本章让我们学习 Keras 提供的模块。

可用模块

让我们先看看 Keras 中可用的模块列表。

  • 初始化 提供初始化函数列表。我们可以在 Keras 层 章节中详细了解它。在机器学习的模型创建阶段。
  • 正则化器 提供正则化器功能列表。我们可以在 Keras 层 章节中详细了解它。
  • 约束 提供约束功能列表。我们可以在 keras 层 章节中详细了解它。
  • 激活器 提供激活器功能列表。我们可以在 keras 层 章节中详细了解它。
  • 损失 提供损失函数列表。我们可以在模型编译章节中详细了解它。
  • 指标 提供指标功能列表。我们可以在模型编译章节中详细了解它。
  • 优化器 提供优化器功能列表。我们可以在模型编译章节中详细了解它。
  • 回调 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以及根据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 数组的功能。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 数组的功能。我们可以在机器学习的数据准备阶段使用它。
  • 序列处理- 提供从给定输入数据生成基于时间的数据的功能。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。
  • 公用程序 提供许多在深度学习中有用的效用函数。

让我们看看本章中的后端模块utils模型

后端模块

后端模块: 用于 keras 后端操作。默认情况下,keras 在 TensorFlow 后端之上运行。如果需要,您可以切换到其他后端,如 Theano 或 CNTK。默认后端配置在根目录中的.keras/keras.json文件下定义。

可以使用以下代码导入Keras后端模块:

>>> 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功能: get_uid() 它是默认图形的标识符,定义如下:

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

重置用户名

它用于重置 uid 值。

>>> k.reset_uids()

现在,再次执行get_uid(),这将会被重置为1:

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

占位符

它用于实例化占位符张量,保持 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)

dot

它用于将两个张量相乘。考虑a和b是两个张量,c将是ab相乘的结果。假设a形状是(4,2),b形状是(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 或更高。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>

transpose

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)

它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)
  • shape 表示元组格式的行和列。
  • mean 均匀分布的平均值。
  • scale 均匀分布的标准偏差。

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)

工具模块

utils为深度学习提供了有用的实用程序功能。utils模块提供的一些方法如下:

HDF5矩阵

它用于表示 HDF5 格式的输入数据。

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

to_categorical

它用于将类向量转换为二进制类矩阵。

>>> 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(打印摘要)

它用于打印模型的摘要。

from keras.utils import print_summary print_summary(model)

plot_model(绘图模型)

它用于以点格式创建模型表示并将其保存到文件。

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

plot_model将生成图像以了解模型的性能。

以上内容是否对您有帮助:
在线笔记
App下载
App下载

扫描二维码

下载编程狮App

公众号
微信公众号

编程狮公众号