学习keras 简单记录

tf.keras.backend.batch_dot函数

导入方式

// 定义在：tensorflow/python/keras/backend.py。
tf.keras.backend.batch_dot(
	x,
	y,
	axes=None
)

批量化的点积
from tensorflow.python.keras import models,layers
当x和y是批量数据时，batch_dot用于计算x和y的点积，即shape为
（batch_size，: ) 。 batch_dot产生维度小于输入的张量或变量。如果维度数减少到1，我们使用expand_dims确保ndim至少为2。
参数

import tensorflow as tf
tf.keras...

或者是

from tensorflow.keras import ...

• x: nidim > 2 的keras张量或变量
• y: nidim > 2 的keras张量或变量
• axes：具有目标维度的（或单个）int列表。axes[0]和axes[1]的长度应该是相同的。

返回

一个张量的形状等于x的形状(减去求和的维数)
和y的形状(减去批处理维数和求和的维数)的串联。
如果最终的秩是1，我们将其重塑为' (batch_size, 1) '。

具体做法

1. 定义模型的类型。Keras 提供了两种类型的模型：序列和模型类 API。Keras 提供各种类型的神经网络层：

#import the model and layers needed
from keras.model import Sequential 
from keras.layers import Dense
model = Sequential()

2. 在 model.add() 的帮助下将层添加到模型中。依照 Keras 文档描述，Keras 提供全连接层的选项（针对密集连接的神经网络）

layer Dense(units,activation=None,use_bias = True,
kernel_initiallizer = 'glorot_uniform',bias_initializer ='zeros',
kernel_regularizer =None ,bias_regularizar = None , 
activity_regularizer = None ,
kernel_constraint =None,
bias_constraint =None)

注意，密集层实现的操作：output=activation(dot(input，kernel)+bias)，
其中 activation 是元素激活函数，是作为激活参数传递的，
kernel 是由该层创建的权重矩阵，bias 是由该层创建的偏置向量
（仅在 use_bias 为 True 时适用）。

3. 可以使用它来添加尽可能多的层，每个隐藏层都由前一层提供输入。只需要为第一层指定输入维度：

#下面操作增加一个32 个神经元全连接神经网络，每个有13个输入，激活函数为ReLU
mode.add(Dense(32,input_dim = 13,actication='relu'))
model.add(10, activation='sigmoid')

4. 损失函数和优化器

   一旦模型被定义，需要选择一个损失函数和优化器。Keras 提供了多种损失函数：
   （mean_squared_error、 mean_absolute_error、 mean_absolute_percentage_error、categorical_crossentropy
   优化器（sgd、RMSprop、Adagrad、Adadelta、Adam 等）。
   损失函数和优化器确定后，可以使用 compile（self，optimizer，loss，metrics=None，sample_weight_mode=None）来配置学习过程：

model.compile(optimizer ='rmsprop',
				loss = 'categorical_crossentropy',
				metrics=['accuracy']}

5. 使用 fit 方法训练模型：

	model.fit (data,labels,epochs=10,batch_size=32)

6. 可以在 predict 方法** predict(self，x，batch_size=32，verbose=0) **的帮助下进行预测：

model.predict(test_data,batch_size=10)