KERAS函数汇总

最新推荐文章于 2023-04-25 07:17:48 发布
最新推荐文章于 2023-04-25 07:17:48 发布
阅读量2.2k 收藏 42
点赞数 8
分类专栏： # Tensorflow笔记 # Keras笔记 文章标签： keras 深度学习框架 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40802676/article/details/96969886
版权

本文是基于KERAS官方中文文档写的

仅为方便查询，详细信息还是推荐看官方文档。

模型

关于KERAS模型
方法或属性完整功能
model.layers包含模型网络层的展平列表
model.inputs模型输入张量的列表
model.outputs模型输出张量的列表
model.summary()打印出模型概述信息。 它是 utils.print_summary 的简捷调用
model.get_config()返回包含模型配置信息的字典
model.get_weights()返回模型中所有权重张量的列表，类型为 Numpy 数组
model.set_weights(weights)从 Numpy 数组中为模型设置权重。列表中的数组必须与 get_weights() 返回的权重具有相同的尺寸
model.to_json()以 JSON 字符串的形式返回模型的表示。请注意，该表示不包括权重，仅包含结构
model.to_ymal()以 YAML 字符串的形式返回模型的表示。请注意，该表示不包括权重，只包含结构
model.save_weights(filepath)将模型权重存储为 HDF5 文件
model.load_weights(filepath, by_name=False)从 HDF5 文件（由 save_weights 创建）中加载权重。默认情况下，模型的结构应该是不变的。 如果想将权重载入不同的模型（部分层相同）， 设置 by_name=True 来载入那些名字相同的层的权重
Sequential 模型 API
函数或属性完整功能
**model.compile()compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)用于配置训练模型
model.fit()fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)以固定数量的轮次（数据集上的迭代）训练模型
model.evaluate()evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)在测试模式，返回误差值和评估标准值,计算逐批次进行
model.predict()predict(x, batch_size=None, verbose=0, steps=None)为输入样本生成输出预测。计算逐批次进行
model.train_on_batch()train_on_batch(x, y, sample_weight=None, class_weight=None)当数据集太大时使用，一批样品的单次梯度更新
model.test_on_batch()test_on_batch(x, y, sample_weight=None)在一批样本上评估模型
model.predict_on_batch()predict_on_batch(x)返回一批样本的模型预测值
model.fit_generator()fit_generator(generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0)使用 Python 生成器或 Sequence 实例逐批生成的数据，按批次训练模型
model.evaluate_generator()evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)在数据生成器上评估模型。这个生成器应该返回与 test_on_batch 所接收的同样的数据
model.predict_generator()predict_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)为来自数据生成器的输入样本生成预测。这个生成器应该返回与 predict_on_batch 所接收的同样的数据
model.get_layer()get_layer(name=None, index=None)根据名称（唯一）或索引值查找网络层。如果同时提供了 name 和 index，则 index 将优先。根据网络层的名称（唯一）或其索引返回该层。索引是基于水平图遍历的顺序（自下而上）
关于Keras网络层
函数或属性完整功能
layer.get_weights()以含有Numpy矩阵的列表形式返回层的权重
layer.set_weights(weights)从含有Numpy矩阵的列表中设置层的权重（与get_weights的输出形状相同）
layer.get_config()返回包含层配置的字典
layer.input()得到输入张量
layer.output得到输出张量
layer.input_shape得到输入张量的shape
layer.output_shape得到输出张量的shape
layer.get_input_at(node_index)层有多个节点，得到输入张量
layer.get_output_at(node_index)层有多个节点，得到输出张量
layer.get_input_shape_at(node_index)层有多个节点，得到输入张量的shape
layer.get_output_shape_at(nodex_index)层有多个节点，得到输出张量的shape
核心网络层
函数或属性完整功能
Dense()keras.layers.Dense(units, activation=None, use_bias=True, kernel_initializer=‘glorot_uniform’, bias_initializer=‘zeros’, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)全连接层
Activation()keras.layers.Activation(activation)激活函数
Dropout()keras.layers.Dropout(rate, noise_shape=None, seed=None)Dropout 包括在训练中每次更新时， 将输入单元的按比率随机设置为 0， 这有助于防止过拟合
Flatten()keras.layers.Flatten(data_format=None)将输入展平。不影响批量大小
Inputkeras.engine.input_layer.Input()用于实例化 Keras 张量
Reshape()keras.layers.Reshape(target_shape)将输入重新调整为特定的尺寸
Permute()keras.layers.Permute(dims)根据给定的模式置换输入的维度。在某些场景下很有用，例如将 RNN 和 CNN 连接在一起
RepeatVector()keras.layers.RepeatVector(n)将输入重复 n 次
Lambda()keras.layers.Lambda(function, output_shape=None, mask=None, arguments=None)将任意表达式封装为 Layer 对象
ActivityRegularization()keras.layers.ActivityRegularization(l1=0.0, l2=0.0)网络层，对基于代价函数的输入活动应用一个更新
Masking()keras.layers.Masking(mask_value=0.0)使用覆盖值覆盖序列，以跳过时间步
SpatialDropout1D()keras.layers.SpatialDropout1D(rate)Dropout 的 Spatial 1D 版本此版本的功能与 Dropout 相同，但它会丢弃整个 1D 的特征图而不是丢弃单个元素
SpatialDropout2D()keras.layers.SpatialDropout2D(rate, data_format=None)Dropout 的 Spatial 2D 版本此版本的功能与 Dropout 相同，但它会丢弃整个 2D 的特征图而不是丢弃单个元素
SpatialDropout3D()keras.layers.SpatialDropout3D(rate, data_format=None)Dropout 的 Spatial 3D 版本此版本的功能与 Dropout 相同，但它会丢弃整个 3D 的特征图而不是丢弃单个元素
卷积层
函数或属性完整功能
Conv1Dkeras.layers.Conv1D(filters, kernel_size, strides=1, padding=‘valid’, data_format=‘channels_last’, dilation_rate=1, activation=None, use_bias=True, kernel_initializer=‘glorot_uniform’, bias_initializer=‘zeros’, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)1D 卷积层 (例如时序卷积)。该层创建了一个卷积核，该卷积核以 单个空间（或时间）维上的层输入进行卷积， 以生成输出张量。 如果 use_bias 为 True， 则会创建一个偏置向量并将其添加到输出中。 最后，如果 activation 不是 None，它也会应用于输出。当使用该层作为模型第一层时，需要提供 input_shape 参数（整数元组或 None），例如， (10, 128) 表示 10 个 128 维的向量组成的向量序列， (None, 128) 表示 128 维的向量组成的变长序列
Conv2Dkeras.layers.Conv2D(filters, kernel_size, strides=(1, 1), padding=‘valid’, data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer=‘glorot_uniform’, bias_initializer=‘zeros’, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)2D 卷积层 (例如对图像的空间卷积)。该层创建了一个卷积核， 该卷积核对层输入进行卷积， 以生成输出张量。 如果 use_bias 为 True， 则会创建一个偏置向量并将其添加到输出中。 最后，如果 activation 不是 None，它也会应用于输出。当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴），例如， input_shape=(128, 128, 3) 表示 128x128 RGB 图像， 在 data_format=“channels_last” 时。
SeparableConv1Dkeras.layers.SeparableConv1D(filters, kernel_size, strides=1, padding=‘valid’, data_format=‘channels_last’, dilation_rate=1, depth_multiplier=1, activation=None, use_bias=True, depthwise_initializer=‘glorot_uniform’, pointwise_initializer=‘glorot_uniform’, bias_initializer=‘zeros’, depthwise_regularizer=None, pointwise_regularizer=None, bias_regularizer=None, activity_regularizer=None, depthwise_constraint=None, pointwise_constraint=None, bias_constraint=None)深度方向的可分离 1D 卷积。可分离的卷积的操作包括，首先执行深度方向的空间卷积 （分别作用于每个输入通道），紧接一个将所得输出通道 混合在一起的逐点卷积。depth_multiplier 参数控 制深度步骤中每个输入通道生成多少个输出通道。直观地说，可分离的卷积可以理解为一种将卷积核分解成 两个较小的卷积核的方法，或者作为 Inception 块的 一个极端版本。
SeparableConv2Dkeras.layers.SeparableConv2D(filters, kernel_size, strides=(1, 1), padding=‘valid’, data_format=None, dilation_rate=(1, 1), depth_multiplier=1, activation=None, use_bias=True, depthwise_initializer=‘glorot_uniform’, pointwise_initializer=‘glorot_uniform’, bias_initializer=‘zeros’, depthwise_regularizer=None, pointwise_regularizer=None, bias_regularizer=None, activity_regularizer=None, depthwise_constraint=None, pointwise_constraint=None, bias_constraint=None)深度方向的可分离 2D 卷积。可分离的卷积的操作包括，首先执行深度方向的空间卷积 （分别作用于每个输入通道），紧接一个将所得输出通道 混合在一起的逐点卷积。depth_multiplier 参数控 制深度步骤中每个输入通道生成多少个输出通道。直观地说，可分离的卷积可以理解为一种将卷积核分解成 两个较小的卷积核的方法，或者作为 Inception 块的 一个极端版本。
DepthwiseConv2Dkeras.layers.DepthwiseConv2D(kernel_size, strides=(1, 1), padding=‘valid’, depth_multiplier=1, data_format=None, activation=None, use_bias=True, depthwise_initializer=‘glorot_uniform’, bias_initializer=‘zeros’, depthwise_regularizer=None, bias_regularizer=None, activity_regularizer=None, depthwise_constraint=None, bias_constraint=None)深度可分离 2D 卷积。深度可分离卷积包括仅执行深度空间卷积中的第一步（其分别作用于每个输入通道）。 depth_multiplier 参数控制深度步骤中每个输入通道生成多少个输出通道。
Conv2DTransposekeras.layers.Conv2DTranspose(filters, kernel_size, strides=(1, 1), padding=‘valid’, output_padding=None, data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer=‘glorot_uniform’, bias_initializer=‘zeros’, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)转置卷积层
Conv3Dkeras.layers.Conv3D(filters, kernel_size, strides=(1, 1, 1), padding=‘valid’, data_format=None, dilation_rate=(1, 1, 1), activation=None, use_bias=True, kernel_initializer=‘glorot_uniform’, bias_initializer=‘zeros’, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)3D卷积层

其余还有很多，不再一一列举。

池化层
函数或属性完整功能
MaxPooling2Dkeras.layers.MaxPooling2D(pool_size=(2, 2), strides=None, padding=‘valid’, data_format=None)对于空间数据的最大池化

同样，其他还有平均值池化，一维等多种，最常用的还是2维的最大值池化。

无穷升高的卡农
关注
  • 8
    点赞
  • 踩
  • 42
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
一文掌握Keras的高级API用法：通过精心设计的样例教程，系统性地学习Keras中常用的高级API接口，加速
禅与计算机程序设计艺术
08-20 654
作者：禅与计算机程序设计艺术 1.简介 深度学习(Deep Learning)与卷积神经网络(Convolutional Neural Network, CNN)，是当下最热门的机器学习技术。Keras是一个用Python语言编写的高级神经网络 API，能够帮助用户快速搭建、训练并部署基于CNN的深度学
Keras API 概览
最新发布
禅与计算机程序设计艺术
09-14 2143
作者：禅与计算机程序设计艺术 1.简介 Keras 是由 TensorFlow 团队开发的一款开源机器学习工具包，具有高灵活性、易用性、可扩展性等特点，目前已经成为最流行的深度学习框架之一。 Keras API（Application Programming Interface）即为 Keras 的编程
详解keras2.0 API:keras的常用函数
lymake的博客
04-25 168
keras的常用函数
解读Keras在ImageNet中的应用：详解5种主要的图像识别模型
weixin_33834628的博客
05-07 613
更多深度文章，请关注：https://yq.aliyun.com/cloud 几个月前，我写了一篇关于如何使用CNN（卷积神经网络）尤其是VGG16来分类图像的教程，该模型能够以很高的精确度识别我们日常生活中的1000种不同种类的物品。 那时，模型还是和Keras包分开的，我们得从free-standing GitHub repo...
Python命令及使用方法
zhjadsf的博客
04-30 1万+
在Windows开始菜单选择“命令提示符”，就进入到命令行模式，它的提示符类似C:>： 在命令行模式下敲命令python，就看到类似如下的一堆文本输出，然后就进入到Python交互模式，它的提示符是>&amp
Tensorflow搭建神经网络(API及相关参数解析)
ZhuTT的博客
10-31 421
神经网络八股 用Tensorflow API:tf.keras搭建网络八股 六步法 import 引入相关模块 train, test 告知要喂入网络的输入集以及测试集 model = tf.keras.models.Sequential 搭建网络结构，逐层描述网络结构，相当于走了一遍前向传播 model.compile 配置训练方法，选择优化器，损失函数，评测指标 model.fit 执行训练过程，告知训练集和测试集的输入特征和标签，告知batch的大小，告知要进行多少次迭代 model.summary
常用Python数据分析工具汇总共2页.pdf.zip
11-25
这份“常用Python数据分析工具汇总”涵盖了这些关键工具的介绍，旨在帮助初学者和经验丰富的数据分析师更好地理解并运用它们。 1. **Pandas**：Pandas是Python中不可或缺的数据分析库，提供了DataFrame对象，可以...
常用Python数据分析工具汇总.docx
02-20
* 神经网络模型：Keras 提供了神经网络模型的创建和训练函数。 * 深度学习模型：Keras 提供了深度学习模型的创建和训练函数。 7. Gensim Gensim 是用来做文本主题模型的库，常用于处理语言方面的任务，支持 TF-IDF...
常用Python数据分析工具汇总.pdf
02-20
Python 数据分析工具汇总 Python 是数据处理常用的工具，可以处理数量级从几 K 至几 T 不等的数据，具有较高的开发效率和可维护性，还具有较强的通用性和跨平台性。Python 可用于数据分析，但其单纯依赖 Python ...
keras常见函数总结
weixin_30908649的博客
05-15 117
1. keras.callbacks.ModelCheckpoint 　　keras.callbacks.ModelCheckpoint(filepath,monitor='val_loss',verbose=0,save_best_only=False, save_weights_only=False, mode='auto', period=1) 　　filename：字符串，保存模型的路...
Tensorflow API：从零开始用keras搭建深度神经网络
Viviane_2022的博客
12-23 128
sparse_categorical_accuracy’ ：y_是数值，y是独热码(概率分布),如y_=[1] y=[0.256,0.695,0.048]‘categorical_accuracy’ ：y_和y都是独热码(概率分布)，如y_=[0,1,0] y=[0.256,0.695,0.048]‘adam’ or tf.keras.optimizers.Adam (lr=学习率, beta_1=0.9, beta_2=0.999)‘accuracy’ ：y_和y都是数值，如y_=[1] y=[1]
Keras入门函数
ly1234007的博客
04-14 190
Keras的几个重要函数 文章目录Keras的几个重要函数前言一、官方案例二、导入包三、重要函数1.激活函数2.Dense（全连接层）3.Conv2D （卷积层）4.MaxPooling2D（池化层）5.compile（编译模型）6.fit（自动训练）结语 前言 作为炼丹的几个重要框架之一的tensor flow，我们简单介绍一下Keras的几个重要的入门函数 一、官方案例 遇事不决查官网API 链接: link. 二、导入包 （示例）： from keras.models import Sequent
Keras中几个重要函数用法
热门推荐
一花一世界 一叶一菩提
04-28 6万+
一般模块都需导入包： from keras.models import Sequential from keras.layers import Dense, Dropout, Activation, Flatten from keras.layers import Convolution2D, MaxPooling2D from keras.layers import Embedding, LS
Keras--常用函数
得克特
08-22 1920
Keras Model保存 keras.callbacks.ModelCheckpoint(filepath,monitor=‘val_loss’,verbose=0,save_best_only=False, save_weights_only=False, mode=‘auto’, period=1) 参数说明： filename：字符串，保存模型的路径 monitor：需要监视的值，通常有...
Keras笔记(一)：常用函数
冷月无声的博客
04-12 1306
Keras文档系列 Keras笔记(一)：常用函数 Keras笔记(二)：优化器optimizers Keras笔记(三)：目标函数objectives /loss Keras笔记(四)：序贯（Sequential）模型 Keras笔记(五)：Sequential模型接口 Keras笔记(六)：回调函数Callbacks 目录 1. ModelCheckpoint ：模型保...
Keras函数式(functional)API的使用
技术的点点滴滴
05-26 4058
多层感知器(Multilayer Perceptron) 定义了用于二分类的多层感知器模型。模型输入32维特征，经过三个全连接层，每层使用relu线性激活函数，并且在输出层中使用sigmoid激活函数，最后用于二分类。 ##------ Multilayer Perceptron ------## from keras.models import Model from keras.layers i...
python +keras实现图像分类（入门级例子讲解）
总裁余（余登武）博客
07-19 1万+
一.项目描述 数据集来源于kaggle猫狗大战数据集。训练集有25000张，猫狗各占一半。测试集12500张。希望计算机可以从这些训练集图片中学习到猫狗的特征，从而使得计算机可以正确的对未曾见过的猫狗图片进行分类。这就是图像分类问题，计算机视觉研究领域之一，计算机通过学习图像本身的特征将不同类别的图像区分开来。 二.评价指标 二分类评价指标 binary_crossentropy：交叉熵 只有yi和ŷ i是相等时，loss才为0，否则loss就是为一个正数。而且，概率相差越大，loss就越大。这个度量概
使用Keras进行图像分类
ccuux3的博客
08-11 3万+
使用Keras框架进行图像分类，数据集Caltech101和cifar10。
keras函数式API进行图像分类
Neal_caffrey
04-30 445
数据集 MNIST 流程图 完整代码 输出结果 免责声明：仅供个人学习所用
lstm多层keras函数式api
05-10
以下是使用Keras函数式API实现多层LSTM的示例代码： ```python from keras.models import Model from keras.layers import Input, LSTM, Dense # 定义输入层 inputs = Input(shape=(timesteps, input_dim)) # ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值