Keras – 模块

正如我们之前所了解的那样，Keras模块包含了预定义的类、函数和变量，对深度学习算法非常有用。让我们在本章中学习Keras所提供的模块。

可用的模块

让我们首先看看Keras中可用的模块列表。

• 初始化器– 提供初始化器函数的列表。我们可以在机器学习的模型创建阶段 ， 在Keras 层章节 中详细了解它。

• 正则器 – 提供了一个正则器函数列表。我们可以在 Keras层 章节中详细了解它。

• 约束 – 提供了一个约束函数的列表。我们可以在 Keras Layers 章节中详细了解它。

• 激活 – 提供激活器函数的列表。我们可以在 Keras Layers 章节中详细了解它。

• Losses – 提供损失函数的列表。我们可以在 模型训练 章节中详细了解它。

• Metrics – 提供了一个度量函数列表。我们可以在 模型训练 一章中详细了解它。

• 优化器 – 提供优化器函数的列表。我们可以在 模型训练 一章中详细了解它。

• 回调 – 提供回调函数的列表。我们可以在训练过程中使用它来打印中间数据，也可以根据一些条件来停止训练（ EarlyStopping 方法）。

• 文本处理 – 提供了将文本转换成适合机器学习的NumPy数组的函数。我们可以在机器学习的数据准备阶段使用它。

• 图像处理 – 提供了将图像转换成适合机器学习的NumPy数组的函数。我们可以在机器学习的数据准备阶段使用它。

• 序列处理 – 提供了从给定的输入数据生成基于时间的数据的函数。我们可以在机器学习的数据准备阶段使用它。

• 后台 – 提供后台库的功能，如 TensorFlow 和 Theano。

• 实用工具 – 提供了很多在深度学习中有用的实用功能。

让我们看看本章中的 后台 模块和 实用工具 模型。

backend模块

**backend 模块 **用于Keras的后台操作。默认情况下，Keras运行在TensorFlow的后端之上。如果你愿意，你可以切换到其他后端，如Theano或CNTK。Defualt后端配置是在你的根目录下.keras/keras.json文件中定义的。

Keras backend模块可以通过以下代码导入

>>> from keras import backend as k

如果我们使用默认的后端 TensorFlow ，那么下面的函数将返回基于 TensorFlow 的信息，如下图所示。

>>> k.backend() 
'tensorflow'
>>> k.epsilon() 
1e-07
>>> k.image_data_format() 
'channels_last'
>>> k.floatx() 
'float32'

让我们简单了解一下用于数据分析的一些重要的后台函数 –

get_uid()

它是默认图形的标识符。它的定义如下

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

reset_uids

它用于重设uid值。

>>> k.reset_uids()

现在，再次执行 get_uid()。 这将被重置并再次变为1。

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

占位符

它被用来实例化一个占位符张量。简单的占位符用来保持3-D形状，如下图所示。

>>> 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)

点

它用于两个张量的相乘。考虑a和b是两个张量，c将是ab的乘法结果。假设a的形状是（4,2），b的形状是（2,3）。它的定义如下、

>>> 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

它用于初始化所有为 一个 值。

>>> res = k.ones(shape = (2,2)) 

#print the value 

>>> k.eval(res) 
array([[1., 1.], [1., 1.]], dtype = float32)

batch_dot

它用于分批执行两个数据的乘积。输入维度必须是2或更高。它显示在下面 –

>>> 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>

变量

它是用来初始化一个变量的。让我们对这个变量进行简单的转置操作。

>>> 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是稀疏的。

>>> 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()

它用于将稀疏数据转换为密集数据。

>>> b = k.to_dense(a) 
>>> print(b) Tensor("SparseToDense:0", shape = (2, 2), dtype = float32) 
>>> print(k.is_sparse(b)) False

随机_统一变量

它用于使用 ** 均匀分布** 概念进行初始化。

k.random_uniform_variable(shape, mean, scale)

这里、

• shape – 以图元的格式表示行和列。

• mean – 均匀分布的平均值。

• scale - 均匀分布的标准偏差。

让我们看一下下面的用法示例

>>> 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)

utils模块

utils 为深度学习提供了有用的实用功能。 ** utils** 模块提供的一些方法如下-

HDF5Matrix

它是用来表示HDF5格式的输入数据的。

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

它用于打印模型的摘要。

from keras.utils import print_summary print_summary(model)

plot_model

它用于创建点格式的模型表示，并将其保存到文件中。

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

这个 plot_model 将生成一个图像来了解模型的性能。