关于keras 的抽象后端，（from keras import backend as K）

• keras后端简介：

Keras 是一个模型级库，为开发深度学习模型提供了高层次的构建模块。它不处理诸如张量乘积和卷积等底层操作，目的也就是尽量不重复造轮子。
但是底层操作还是需要的， 所以keras 依赖于一个专门的、优化的张量操作库来完成这个操作。
我们可以简单的认为这是 Keras 的「后端引擎」， keras 有三个后端实现可用 、 即： TensorFlow 后端，Theano 后端，CNTK 后端。

如果你需要修改你的后端， 只要将字段 backend 更改为 theano 或 cntk，Keras 将在下次运行 Keras 代码时使用新的配置。

你也可以定义环境变量 KERAS_BACKEND，这会覆盖配置文件中定义的内容：
定义的方式如下。

KERAS_BACKEND=tensorflow python -c “from keras import backend” Using
TensorFlow backend.

在 Keras 中，可以加载比 “tensorflow”, “theano” 和 “cntk” 更多的后端， 即可以选择你自己所定义的后端。
Keras 也可以使用外部后端，这可以通过更改 keras.json 配置文件和 “backend” 设置来执行。
假设您有一个名为 my_module 的 Python 模块，您希望将其用作外部后端。keras.json 配置文件将更改如下：

{
“image_data_format”: “channels_last”,
“epsilon”: 1e-07,
“floatx”: “float32”,
“backend”: “my_package.my_module” }

必须验证外部后端才能使用，有效的后端必须具有以下函数：placeholder, variable and function.
如果由于缺少必需的条目而导致外部后端无效，则会记录错误，通知缺少哪些条目。

下面我们来看一下 keras 的 json 文件中其他的一些更加详细的配置；
The keras.json 配置文件包含以下设置， 你可以通过编辑 $ HOME/.keras/keras.json 来更改这些设置。

{
“image_data_format”: “channels_last”,
“epsilon”: 1e-07,
“floatx”: “float32”,
“backend”: “tensorflow” }

第一个参数 image_data_format 的可选参数为 : “channels_last” 或者 “channels_first”,当然， 从名字中你就可以看出他们的作用是什么；
如果是 tensorflow作为后端， 那么就应当是channel last , 也就是输入的tensor的shape (height, width, channels);
如果是 theano, 那么就是 channel first。

epsilon: 浮点数，用于避免在某些操作中被零除的数字模糊常量。
floatx: 字符串，“float16”, “float32”, 或 “float64”。默认浮点精度。
backend: 字符串， “tensorflow”, “theano”, 或 “cntk”。

• 使用抽象 Keras 后端：

如果你希望你编写的 Keras 模块与 Theano (th) 和 TensorFlow (tf) 兼容，则必须通过抽象 Keras 后端 API 来编写它们。

你可以通过以下方式导入后端模块：
from keras import backend as K

下面是后端使用的一些介绍：

这段代码实例化一个输入占位符。它等价于 tf.placeholder() 或 th.tensor.matrix(), th.tensor.tensor3(), 等等。

inputs = K.placeholder(shape=(2, 4, 5))
inputs = K.placeholder(shape=(None, 4, 5))
inputs = K.placeholder(ndim=3)

也就是说你一旦引用了 keras 的 backed， 那么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。

下面的代码实例化一个变量。它等价于 tf.Variable() 或 th.shared()。

import numpy as np
val = np.random.random((3, 4, 5))
var = K.variable(value=val)

var = K.zeros(shape=(3, 4, 5))
var = K.ones(shape=(3, 4, 5))

你需要的大多数张量操作都可以像在 TensorFlow 或 Theano 中那样完成：
b = K.random_uniform_variable(shape=(3, 4), low=0, high=1) # 均匀分布
c = K.random_normal_variable(shape=(3, 4), mean=0, scale=1) # 高斯分布
d = K.random_normal_variable(shape=(3, 4), mean=0, scale=1)