tensorflow+keras杂话

前言：
现在需要用到tensorflow+keras，有一些遇到的问题在此记录，内容随时更新可能会非常杂乱，也许会整理。

---

版本对应问题

从TensorFlow 2.3开始可以使用tensorflow.keras来导入Keras，即可以

import tensorflow as tf
import tensorflow.keras as keras
# 通常会直接从keras中导入模型使用，即：
from tensorflow.keras import Sequential
# 可以直接导入贯序模型使用

以下列出tensorflow、keras和python的几个常用较低版本的对应关系：（详细完整的对应关系见官方文档）

tensorflow版本	keras版本	python版本
TensorFlow 2.2.0	Keras 2.3.1	Python 3.7
TensorFlow 2.1.0	Keras 2.3.1	Python 3.6
TensorFlow 2.0.0	Keras 2.3.1	Python 3.6
TensorFlow 1.15.0	Keras 2.3.1	Python 3.6
TensorFlow 1.14.0	Keras 2.2.5	Python 3.6

交叉熵损失函数

直接调用compile使用自定义的加权交叉熵损失函数作为loss时，keras接收的是一个batch_size大小的tensor对象，因此在初用时遇到定义时没问题但fit时compile收到报错：Incompatible shapes: [100,1] vs. [159999,1]（这里我的batch_size是100，样本个数159999也即自定义的损失函数输出了一个159999维的向量，这里应该要让损失函数的输出维度等于1——即计算这159999个数的均值再输出，然后模型会将batch_size个均值以向量形式一次输出作为一个epoch的损失）。

接下来又发现，直接用tf.keras.losses.binary_crossentropy()是可以的，即：

def my_loss(y_true, y_pred):
    return keras.losses.binary_crossentropy(y_true,y_pred)*lamda

正常运行（其中lamda是全局变量）
发现网上大家普遍有两种调用交叉熵损失函数的方法，用到了两个不同的keras定义的交叉熵损失函数：

1. tf.keras.losses.binary_crossentropy()
2. tf.keras.backend.binary_crossentropy()

tf.keras.losses.binary_crossentropy()是通过调用tf.keras.backend.binary_crossentropy()来工作的，以下为官方文档提供的源码说明中的关键部分：源码地址

即可以理解为：

from keras import backend as K

tf.keras.losses.binary_crossentropy(): 
	return K.mean( K.binary_crossentropy() )

而backend.binary_crossentropy()的完整计算过程为：（红框为关键部分）


可以发现计算公式为：（公式图片来源知乎（懒得自己写了））

tensorflow中填充tensor的方法

背景： 我在自定义的损失函数最后计算损失时，由于最后一个批次的数量不足一个batch_size的大小，因此在做损失累加时会出错，因此需要在计算loss时将tensor重构为尺寸是[batch_size,1]的tensor。
需求： 将一个[15,1]的Tensor转为一个[16,1]的Tensor。

要实现需求，需要的函数是tensorflow.pad()，首先感谢这位博主对tensor维度操作的总结及绘图：博文地址

以下提炼以下tensorflow.pad()的用法：

import tensorflow as tf