【592】Keras相关函数说明

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。

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]]])>

View Code - Examples

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]]])>

View Code - Examples

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