tf.keras的简单介绍

• 一. Keras介绍
• 二.为什么使用keras
• 三、tf.keras的常见方法
• 四. 图片的读取处理
• 五. 图片的特征值处理
• 六、编程实例

一. Keras介绍

• Keras是一个用python编写的开源神经库，能够运行子在Tensoflow，Micsrosoft Cognitive
  Toolkit,Theano或PlaidML之上，kerea是单独是深度学习框架，一些代码用到了Tnesorflow的API,但在TensorFlow1.9新增加了tf.kerea。Keras与TF的深度集成。

二. 为什么使用keras

1. keras提供了一致且简单的API，将常见的用例所需的用户操作数量降至最低。
2. Keras与底层深度学习语言（特别是TensorFlow）集成在一起，它可以实现你用基础语言编写的东西，特别的，tf.keras作为Keras API可以与Tensorflow无缝集成。
3. Keras被工业界与学术界广泛采用。

三、tf.keras的常见方法:

keras官方文档：https://keras.io/zh/

其中：

• layers用于构建构建神经网络，包括全连接层、卷积层、池化层等。

• looses可以提供现成的损失函数，包括均方误差、交叉熵等。

• models：用于定义模型的模块，包括序列模型、函数式模型等。

• metrics是提供评估的指标,例如我们熟知的准确率、精确率、召回率、增长率，除此之外还有转化率、用户留存率、平均访问时长、用户满意度等。

• preprocessing提供数据的预处理，数据预处理包括数据清洗、数据集成、数据转换、数据规约等步骤。常见的数据预处理方法包括缺失值处理、异常值处理、数据归一化、特征选择等。

四. 图片的读取处理:

** form tensorflow . python . keras . preprocessing . image **

1. 可以直接使用tensorflow.keras.preprocessing.image，而不用去.python,但在pycharm可能回找不到keras.。在使用image方法前要确保下载了 pip install pillow ,因为image的一些方法是基于它编写的。

2. 读取图像的方法：

 tensorflow . python . keras . preprocessing . image import  load_img	

load_img(path=  ,  target=   ) 读取图像 

• path： 图片的路径
• target:：图片的目标大小
• 返回的是一个PIL.JpegImage.JpeImageFile对象，如果打印它，它的结果可以是：
  

五. 图片的特征值处理

1. 图片的大小调整：因为一些深度学习神经网络回要求图片的大小为特定的值。 b. 类型转化换：keras读取图片的方法是keras. preprocessing .

2. image,但Tensorflow也有自己读取图片的方法tf.data.Dataset。它们读取数据返回的类型都不一样，故keras读取图片要经过类型转换才能给tensorflwo使用。

3. PIL图像对象可以直接用于图像处理，如缩放、剪裁等操作。但是，在进行深度学习模型训练时，通常需要将图像转换为数组的形式输入模型。因此，需要使用img_to_array函数将PIL图像对象转换为NumPy数组。

• keras图片的类型转换如下：

img_to_array(img= ,data_format=None ,dtype =None) 图片转换为数组格式

• img: PIL lmage instance（PIL图像实例），也就是 load_img方法的返回类型

• data_format: 字符串
  指定返回的Numpy数组的通道顺序，默认为None，表示使用Keras配置文件中的设置。可以设置为"channels_first"或"channels_last"，分别表示返回的Numpy数组的通道顺序为通道数在前或在后。

• img_to_array 和load_img都在tensorflow . python . keras . preprocessing .image中.

六、编程实例

```python form tensorflow . python . keras . preprocessing . image loda_img img to_array image = loda_img("./bus/100.jpg", target_size=(300,300)) print(image) image = ima_to_array(image) print(image.shipe) print(image) ```

• 第一个打印出来的是PIL.JpegImage.JpeImageFile对象
• 第二个是用shape打印PIL.JpegImage.JpeImageFile对象转换出来的数组对象的形状
  第三个打印的是数组，它由0到255之间的整数构成

1. 上面说使用img_to_array函数将PIL图像对象转换为NumPy数组，这个数组中的数字就是图像的像素值，在下面打印的数组就是个例子。数组内数字通常是一个0到255之间的整数，如果需要将像素值归一化到0到1之间，可以将数组中的每个元素除以255。
2. 既然提到了归一化，我们谈谈为什么要对img_to_array函数返回的数组进行归一化？其目的是为了使得模型的训练更加稳定和快速。具体来说，归一化可以带来以下几个好处：

• 加速模型的训练：归一化可以使得模型的训练更加稳定，加速模型的收敛速度，减少训练时间。

• 提高模型的精度：归一化可以减少特征之间的差异，避免模型因为特征之间的差异而出现过拟合或欠拟合的情况，提高模型的泛化能力和精度。

• 方便模型的优化：归一化可以使得特征的值域范围在一个比较小的范围内，避免特征的值过大或过小，导致梯度消失或梯度爆炸的情况，方便模型的优化。