keras使用、函数功能

• #1. keras.engine.input_layer.Input()

def Input(shape=None, batch_shape=None,
	name=None, dtype=None, sparse=False,
	tensor=None):

用来实例化一个keras tensor

 

• #2. class Dense(Layer):  

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)

def __init__(self, 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):

Dense 是一个类，用来regular densely-connected NN layer.

 

#3. from keras.models import Sequential, Model

#4. from keras.utils.np_utils import to_categorical

categorical_labels = to_categorical(int_labels, num_classes=None)

说明：

例如如果你有10个类别，每一个样本的标签应该是一个10维的向量，该向量在对应有值的索引位置为1其余为0。

EXAMPLE：

假设y_test为100x1的向量，100表示样本数，标签为标量，这时候将标签扩充为10维的向量，即：y_test为100x10。10维向量中，值为1表示这个样本属于这个类别，其他9个地方的值都为0。

y_test = to_categorical(y_test, 10)

 #5. tensorflow的Tensor变量好像不能显示 

example:

import tensorflow as tf
v1=tf.zeros([2,2]) # v1为Tensor类型
v3=tf.Session().run(v1) # 将Tensor变量v1 转换为 v3 ,v3为array类的对象

• #6. numpy.array的array为一个类，别名为：ndarray

 

• #7. np.array([1, 2, 3])

这个既不是行向量也不是列向量，它只是一个维度为3的向量

#8 将numpy数据转换为tensor

虽然TensorFlow网络在输入Numpy数据时会自动转换为Tensor来处理，但是我们自己也可以去显式的转换：

data_tensor= tf.convert_to_tensor(data_numpy)