【470】Keras API 参考说明

参考：Keras API reference

参考：Keras layers API

---

目录：

• to_categorical()
• randint()
• random()
• Sequential()
• Model training APIs
  • compile()
  • fit()
  • evaluate()
  • predict()
• Layer()
• Dense()
• Dropout()
• SGD()

---

损失函数 Losses：损失函数（或称目标函数、优化评分函数）是编译模型时所需的两个参数之一。

• mean_squared_error
• categorical_crossentropy：多分类
• binary_crossentropy：二分类

评估标准 Metrics：评价函数用于评估当前训练模型的性能。评价函数和 损失函数 相似，只不过评价函数的结果不会用于训练过程中。

• mae
• acc

优化器 Optimizer：

• SGD：随机梯度下降优化器
• RMSprop：这个优化器通常是训练循环神经网络RNN的不错选择。
• Adagrad：Adagrad 是一种具有特定参数学习率的优化器，它根据参数在训练期间的更新频率进行自适应调整。参数接收的更新越多，更新越小。
• Adadelta：Adadelta 是 Adagrad 的一个具有更强鲁棒性的的扩展版本，它不是累积所有过去的梯度，而是根据渐变更新的移动窗口调整学习速率。 这样，即使进行了许多更新，Adadelta 仍在继续学习。 与 Adagrad 相比，在 Adadelta 的原始版本中，您无需设置初始学习率。 在此版本中，与大多数其他 Keras 优化器一样，可以设置初始学习速率和衰减因子。
• Adam：

激活函数 Activations：

• softmax
• relu
• tanh
• sigmoid

 

 

tf.keras.utils.to_categorical(y, num_classes=None, dtype="float32")

• 将向量或整数转为二进制矩阵，类似 one-hot 编码
• y：欲转换的向量或者整数
• num_classes：分类的总数，若为 None，则是 y 中的最大值 + 1

numpy.random.randint(low, high=None, size=None, dtype=int)


• 返回指定范围内的随机整数（包含最小值，不包含最大值），可以指定 shape/size
• low：若 high=None，则是 0~low；否则是 low~high
• high：配合 low，随机数为两者中间
• size：输出的维度，默认是输出单个数字

numpy.random.random(size=None)

• 返回 [0.0, 1.0) 之间的随机浮点数，可以指定 shape/size
• size：输出的维度，默认是输出单个数字

tf.keras.Sequential(layers=None, name=None) 

• 类，聚集了一个线性的层栈
• add(layer)：在层栈的最上面添加一个 layer 的实例
• pop()：移除模型中的最后一层

Model training APIs

• Model.compile()：配置训练模型

 

Model.compile(
    optimizer="rmsprop",　　# 字符串或者优化器实例。参见 tf.keras.optimizers
    loss=None,　　# 目标函数名称或者损失函数实例。参见 tf.keras.losses
    metrics=None,　　# 评估方法的列表。参见 tf.keras.metrics
    loss_weights=None,　　
    weighted_metrics=None,
    run_eagerly=None,
    **kwargs
)

 

• Model.fit()：训练模型

Model.fit(
    x=None,　　# 输入数据
    y=None,　　# 目标数据
    batch_size=None,　　# 进行梯度下降更新的批量大小
    epochs=1,　　# 训练模型的循环次数
    verbose=1,
    callbacks=None,
    validation_split=0.0,　　# 0~1 间的浮点型数字。训练数据的一部分用来验证数据
    validation_data=None,　　# 评估损失的验证数据
    shuffle=True,　　# 布尔值，是否在每一个 epoch 前都打乱数据顺序
    class_weight=None,
    sample_weight=None,
    initial_epoch=0,
    steps_per_epoch=None,
    validation_steps=None,
    validation_batch_size=None,
    validation_freq=1,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
)

• Model.evaluate()：返回测试集的损失值与评估值

Model.evaluate(
    x=None,　　# 输入数据
    y=None,　　# 目标数据
    batch_size=None,　　# 每批计算的样本数
    verbose=1,
    sample_weight=None,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
    return_dict=False,
)

• Model.predict()：为输入样本生成输出预测

Model.predict(
    x,　　# 输入样本
    batch_size=None,
    verbose=0,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
)

tf.keras.Layer(trainable=True, name=None, dtype=None, dynamic=False, **kwargs) 

• 类，所有 layers 的继承类
• trainable：布尔型，这层的变量是否训练
• name：图层的名称
• weights：返回权重值

tf.keras.layer.Dense() 

tf.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,
    **kwargs
)

• 类，最普通的 densely-connected NN 层
• units：正整数，输出空间的维度
• activation：激活函数。如果不指定，则是直接输出结果
  • relu
  • sigmoid
  • softmax
  • tanh
• use_bias：布尔值，是否使用 bias 向量
• kernel_initializer：权重矩阵的初始化器
• bias_initializer：bias 向量初始化器
• input_dim：输入维度

tf.keras.layers.Dropout(rate, noise_shape=None, seed=None, **kwargs)

• 类，对于输入应用 dropout
• rate：0 和 1 之间的浮点数。输入单元废弃的比例

tf.keras.optimizers.SGD(learning_rate=0.01, momentum=0.0, nesterov=False, name="SGD", **kwargs)

• 类，梯度下降（带 momentum）的优化器
• learning_rate：学习率，默认是 0.01
• momentum：超参数，默认是 0