Keras官方中文文档：keras后端Backend

Keras官方中文文档：keras后端Backend 所属分类：Keras Keras后端 什么是“后端”

Keras是一个模型级的库，提供了快速构建深度学习网络的模块。

Keras并不处理如张量乘法、卷积等底层 *** 作。

这些 *** 作依赖于某种特定的、优化良好的张量 *** 作库。

Keras依赖于处理张量的库就称为“后端引擎”。

Keras提供了三种后端引擎Theano/Tensorflow/CNTK，并将其函数统一封装，使得用户可以以同一个接口调用不同后端引擎的函数

• Theano是一个开源的符号主义张量 *** 作框架，由蒙特利尔大学LISA/MILA实验室开发。
  

  
  

• TensorFlow是一个符号主义的张量 *** 作框架，由Google开发。
  

  
  

• CNTK是一个由微软开发的商业级工具包。
  

  
  

在未来，我们有可能要添加更多的后端选项。

切换后端

注意：Windows用户请把$Home改为%USERPROFILE%

如果你至少运行过一次Keras，你将在下面的目录下找到Keras的配置文件：

$HOME/.keras/keras.json

如果该目录下没有该文件，你可以手动创建一个

文件的默认配置如下：

{

    "image_data_format": "channels_last",

    "epsilon": 1e-07,

    "floatx": "float32",

    "backend": "tensorflow"

}

将backend字段的值改写为你需要使用的后端：theano或tensorflow或者CNTK，即可完成后端的切换

我们也可以通过定义环境变量KERAS_BACKEND来覆盖上面配置文件中定义的后端：

KERAS_BACKEND=tensorflow python -c "from keras import backend;"

Using TensorFlow backend.

keras.json 细节

{

    "image_data_format": "channels_last",

    "epsilon": 1e-07,

    "floatx": "float32",

    "backend": "tensorflow"

}

你可以更改以上~/.keras/keras.json中的配置

• iamge_data_format：字符串，"channels_last"或"channels_first"，该选项指定了Keras将要使用的维度顺序，可通过keras.backend.image_data_format()来获取当前的维度顺序。
  

  
  

  对2D数据来说，"channels_last"假定维度顺序为(rows,cols,channels)而"channels_first"假定维度顺序为(channels, rows, cols)。
  

  
  

  对3D数据而言，"channels_last"假定(conv_dim1, conv_dim2, conv_dim3, channels)，"channels_first"则是(channels, conv_dim1, conv_dim2, conv_dim3)

• epsilon：浮点数，防止除0错误的小数字

• floatx：字符串，"float16", "float32", "float64"之一，为浮点数精度
• backend：字符串，所使用的后端，为"tensorflow"或"theano"

使用抽象的Keras后端来编写代码

如果你希望你编写的Keras模块能够同时在Theano和TensorFlow两个后端上使用，你可以通过Keras后端接口来编写代码，这里是一个简介：

from keras import backend as K

下面的代码实例化了一个输入占位符，等价于tf.placeholder() ，T.matrix()，T.tensor3()等

input = K.placeholder(shape=(2, 4, 5))

# also works:

input = K.placeholder(shape=(None, 4, 5))

# also works:

input = K.placeholder(ndim=3)

下面的代码实例化了一个共享变量（shared），等价于tf.variable()或 theano.shared()

val = np.random.random((3, 4, 5))

var = K.variable(value=val)

# all-zeros variable:

var = K.zeros(shape=(3, 4, 5))

# all-ones:

var = K.ones(shape=(3, 4, 5))

大多数你需要的张量 *** 作都可以通过统一的Keras后端接口完成，而不关心具体执行这些 *** 作的是Theano还是TensorFlow

a = b + c * K.abs(d)

c = K.dot(a, K.transpose(b))

a = K.sum(b, axis=2)

a = K.softmax(b)

a = concatenate([b, c], axis=-1)

# etc...

Kera后端函数 backend

backend()

返回当前后端

epsilon

epsilon()

以数值形式返回一个（一般来说很小的）数，用以防止除0错误

set_epsilon

set_epsilon(e)

设置在数值表达式中使用的fuzz factor，用于防止除0错误，该值应该是一个较小的浮点数，示例：

>>> from keras import backend as K

>>> K.epsilon()

1e-08

>>> K.set_epsilon(1e-05)

>>> K.epsilon()

1e-05

floatx

floatx()

返回默认的浮点数数据类型，为字符串，如 'float16', 'float32', 'float64'

set_floatx(floatx)

floatx()

设置默认的浮点数数据类型，为字符串，如 'float16', 'float32', 'float64',示例：

>>> from keras import backend as K

>>> K.floatx()

'float32'

>>> K.set_floatx('float16')

>>> K.floatx()

'float16'

cast_to_floatx

cast_to_floatx(x)

将numpy array转换为默认的Keras floatx类型，x为numpy array，返回值也为numpy array但其数据类型变为floatx。

示例：

>>> from keras import backend as K

>>> K.floatx()

'float32'

>>> arr = numpy.array([1.0, 2.0], dtype='float64')

>>> arr.dtype

dtype('float64')

>>> new_arr = K.cast_to_floatx(arr)

>>> new_arr

array([ 1.,  2.], dtype=float32)

>>> new_arr.dtype

dtype('float32')

image_data_format

image_data_format()

返回默认的图像的维度顺序（‘channels_last’或‘channels_first’）

set_image_data_format

set_image_data_format(data_format)

设置图像的维度顺序（‘tf’或‘th’）,示例：

from keras import backend as K
K.image_data_format()
'channels_first'
K.set_image_data_format('channels_last')
K.image_data_format()
'channels_last'

### is_keras_tensor()

​```python

is_keras_tensor(x)

判断x是否是keras tensor对象的谓词函数

>>> from keras import backend as K

>>> np_var = numpy.array([1, 2])

>>> K.is_keras_tensor(np_var)

False

>>> keras_var = K.variable(np_var)

>>> K.is_keras_tensor(keras_var)  # A variable is not a Tensor.

False

>>> keras_placeholder = K.placeholder(shape=(2, 4, 5))

>>> K.is_keras_tensor(keras_placeholder)  # A placeholder is a Tensor.

True

get_uid

get_uid(prefix='')

获得默认计算图的uid，依据给定的前缀提供一个唯一的UID，参数为表示前缀的字符串，返回值为整数.

reset_uids

reset_uids()

重置图的标识符

is_keras_tensor

is_keras_tensor(x)

判断x是否是一个Keras tensor，返回一个布尔值，示例

>>> from keras import backend as K

>>> np_var = numpy.array([1, 2])

>>> K.is_keras_tensor(np_var)

False

>>> keras_var = K.variable(np_var)

>>> K.is_keras_tensor(keras_var)  # A variable is not a Tensor.

False

>>> keras_placeholder = K.placeholder(shape=(2, 4, 5))

>>> K.is_keras_tensor(keras_placeholder)  # A placeholder is a Tensor.

True

clear_session

clear_session()

结束当前的TF计算图，并新建一个。

有效的避免模型/层的混乱

manual_variable_initialization

manual_variable_initialization(value)

指出变量应该以其默认值被初始化还是由用户手动初始化，参数value为布尔值，默认False代表变量由其默认值初始化

learning_phase

learning_phase()

返回训练模式/测试模式的flag，该flag是一个用以传入Keras模型的标记，以决定当前模型执行于训练模式下还是测试模式下

set_learning_phase

set_learning_phase()

设置训练模式/测试模式0或1

is_sparse

is_sparse(tensor)

判断一个tensor是不是一个稀疏的tensor(稀不稀疏由tensor的类型决定，而不是tensor实际上有多稀疏)，返回值是一个布尔值，示例：

>>> from keras import backend as K

>>> a = K.placeholder((2, 2), sparse=False)

>>> print(K.is_sparse(a))

False

>>> b = K.placeholder((2, 2), sparse=True)

>>> print(K.is_sparse(b))

True

to_dense

to_dense(tensor)

将一个稀疏tensor转换一个不稀疏的tensor并返回之，示例：

>>> from keras import backend as K

>>> b = K.placeholder((2, 2), sparse=True)

>>> print(K.is_sparse(b))

True

>>> c = K.to_dense(b)

>>> print(K.is_sparse(c))

False

variable

variable(value, dtype='float32', name=None)

实例化一个张量，返回之

参数：

• value：用来初始化张量的值
• dtype：张量数据类型
• name：张量的名字（可选）

示例：

>>> from keras import backend as K

>>> val = np.array([[1, 2], [3, 4]])

>>> kvar = K.variable(value=val, dtype='float64', name='example_var')

>>> K.dtype(kvar)

'float64'

>>> print(kvar)

example_var

>>> kvar.eval()

array([[ 1.,  2.],

   [ 3.,  4.]])

placeholder

placeholder(shape=None, ndim=None, dtype='float32', name=None)

实例化一个占位符，返回之

参数：

• shape：占位符的shape（整数tuple，可能包含None）
• ndim: 占位符张量的阶数，要初始化一个占位符，至少指定shape和ndim之一，如果都指定则使用shape
• dtype: 占位符数据类型
• name: 占位符名称（可选）

示例：

>>> from keras import backend as K

>>> input_ph = K.placeholder(shape=(2, 4, 5))

>>> input_ph._keras_shape

(2, 4, 5)

>>> input_ph

<tf.Tensor 'Placeholder_4:0' shape=(2, 4, 5) dtype=float32>

shape

shape(x)

返回一个张量的符号shape，符号shape的意思是返回值本身也是一个tensor，示例：

>>> from keras import backend as K

>>> tf_session = K.get_session()

>>> val = np.array([[1, 2], [3, 4]])

>>> kvar = K.variable(value=val)

>>> input = keras.backend.placeholder(shape=(2, 4, 5))

>>> K.shape(kvar)

<tf.Tensor 'Shape_8:0' shape=(2,) dtype=int32>

>>> K.shape(input)

<tf.Tensor 'Shape_9:0' shape=(3,) dtype=int32>

__To get integer shape (Instead, you can use K.int_shape(x))__

>>> K.shape(kvar).eval(session=tf_session)

array([2, 2], dtype=int32)

>>> K.shape(input).eval(session=tf_session)

array([2, 4, 5], dtype=int32)

int_shape

int_shape(x)

以整数Tuple或None的形式返回张量shape，示例：

>>> from keras import backend as K

>>> input = K.placeholder(shape=(2, 4, 5))

>>> K.int_shape(input)

(2, 4, 5)

>>> val = np.array([[1, 2], [3, 4]])

>>> kvar = K.variable(value=val)

>>> K.int_shape(kvar)

(2, 2)

ndim

ndim(x)

返回张量的阶数，为整数，示例：

>>> from keras import backend as K

>>> input = K.placeholder(shape=(2, 4, 5))

>>> val = np.array([[1, 2], [3, 4]])

>>> kvar = K.variable(value=val)

>>> K.ndim(input)

3

>>> K.ndim(kvar)

2

dtype

dtype(x)

返回张量的数据类型，为字符串，示例：

>>> from keras import backend as K

>>> K.dtype(K.placeholder(shape=(2,4,5)))

'float32'

>>> K.dtype(K.placeholder(shape=(2,4,5), dtype='float32'))

'float32'

>>> K.dtype(K.placeholder(shape=(2,4,5), dtype='float64'))

'float64'

__Keras variable__

>>> kvar = K.variable(np.array([[1, 2], [3, 4]]))

>>> K.dtype(kvar)

'float32_ref'

>>> kvar = K.variable(np.array([[1, 2], [3, 4]]), dtype='float32')

>>> K.dtype(kvar)

'float32_ref'

eval

eval(x)

求得张量的值，返回一个Numpy array，示例：

>>> from keras import backend as K

>>> kvar = K.variable(np.array([[1, 2], [3, 4]]), dtype='float32')

>>> K.eval(kvar)

array([[ 1.,  2.],

   [ 3.,  4.]], dtype=float32)

zeros

zeros(shape, dtype='float32', name=None)

生成一个全0张量，示例：

>>> from keras import backend as K

>>> kvar = K.zeros((3,4))

>>> K.eval(kvar)

array([[ 0.,  0.,  0.,  0.],

   [ 0.,  0.,  0.,  0.],

   [ 0.,  0.,  0.,  0.]], dtype=float32)

ones

ones(shape, dtype='float32', name=None)

生成一个全1张量，示例

>>> from keras import backend as K

>>> kvar = K.ones((3,4))

>>> K.eval(kvar)

array([[ 1.,  1.,  1.,  1.],

   [ 1.,  1.,  1.,  1.],

   [ 1.,  1.,  1.,  1.]], dtype=float32)

eye

eye(size, dtype='float32', name=None)

生成一个单位矩阵，示例：

>>> from keras import backend as K

>>> kvar = K.eye(3)

>>> K.eval(kvar)

array([[ 1.,  0.,  0.],

   [ 0.,  1.,  0.],

   [ 0.,  0.,  1.]], dtype=float32)

zeros_like

zeros_like(x, name=None)

生成与另一个张量x的shape相同的全0张量，示例：

>>> from keras import backend as K

>>> kvar = K.variable(np.random.random((2,3)))

>>> kvar_zeros = K.zeros_like(kvar)

>>> K.eval(kvar_zeros)

array([[ 0.,  0.,  0.],

   [ 0.,  0.,  0.]], dtype=float32)

ones_like

ones_like(x, name=None)

生成与另一个张量shape相同的全1张量，示例：

>>> from keras import backend as K

>>> kvar = K.variable(np.random.random((2,3)))

>>> kvar_ones = K.ones_like(kvar)

>>> K.eval(kvar_ones)

array([[ 1.,  1.,  1.],

   [ 1.,  1.,  1.]], dtype=float32)

random_uniform_variable

random_uniform_variable(shape, low, high, dtype=None, name=None, seed=None)

初始化一个Keras变量，其数值为从一个均匀分布中采样的样本，返回之。

参数：

• shape：张量shape
• low：浮点数，均匀分布之下界
• high：浮点数，均匀分布之上界
• dtype：数据类型
• name：张量名
• seed：随机数种子

示例：

>>> kvar = K.random_uniform_variable((2,3), 0, 1)

>>> kvar

<tensorflow.python.ops.variables.Variable object at 0x10ab40b10>

>>> K.eval(kvar)

array([[ 0.10940075,  0.10047495,  0.476143  ],

   [ 0.66137183,  0.00869417,  0.89220798]], dtype=float32)

count_params

count_params(x)

返回张量中标量的个数，示例：

>>> kvar = K.zeros((2,3))

>>> K.count_params(kvar)

6

>>> K.eval(kvar)

array([[ 0.,  0.,  0.],

   [ 0.,  0.,  0.]], dtype=float32)

cast

cast(x, dtype)

改变张量的数据类型，dtype只能是float16, float32或float64之一，示例：

>>> from keras import backend as K

>>> input = K.placeholder((2, 3), dtype='float32')

>>> input

<tf.Tensor 'Placeholder_2:0' shape=(2, 3) dtype=float32>

__It doesn't work in-place as below.__

>>> K.cast(input, dtype='float16')

<tf.Tensor 'Cast_1:0' shape=(2, 3) dtype=float16>

>>> input

<tf.Tensor 'Placeholder_2:0' shape=(2, 3) dtype=float32>

__you need to assign it.__

>>> input = K.cast(input, dtype='float16')

>>> input

<tf.Tensor 'Cast_2:0' shape=(2, 3) dtype=float16>```

update

update(x, new_x)

用new_x更新x

update_add

update_add(x, increment)

通过将x增加increment更新x

update_sub

update_sub(x, decrement)

通过将x减少decrement更新x

moving_average_update

moving_average_update(x, value, momentum)

含义暂不明确

dot

dot(x, y)

求两个张量的乘积。

当试图计算两个N阶张量的乘积时，与Theano行为相同，如(2, 3).(4, 3, 5) = (2, 4, 5))，示例：

>>> x = K.placeholder(shape=(2, 3))

>>> y = K.placeholder(shape=(3, 4))

>>> xy = K.dot(x, y)

>>> xy

<tf.Tensor 'MatMul_9:0' shape=(2, 4) dtype=float32>

>>> x = K.placeholder(shape=(32, 28, 3))

>>> y = K.placeholder(shape=(3, 4))

>>> xy = K.dot(x, y)

>>> xy

<tf.Tensor 'MatMul_9:0' shape=(32, 28, 4) dtype=float32>

Theano-like的行为示例：

>>> x = K.random_uniform_variable(shape=(2, 3), low=0, high=1)

>>> y = K.ones((4, 3, 5))

>>> xy = K.dot(x, y)

>>> K.int_shape(xy)

(2, 4, 5)

batch_dot

batch_dot(x, y, axes=None)

按批进行张量乘法，该函数用于计算x和y的点积，其中x和y都是成batch出现的数据。

即它的数据shape形如(batch_size,:)。

batch_dot将产生比输入张量维度低的张量，如果张量的维度被减至1，则通过expand_dims保证其维度至少为2
例如，假设x = [[1, 2],[3,4]] ， y = [[5, 6],[7, 8]]，则batch_dot(x, y, axes=1) = [[17, 53]]，即x.dot(y.T)的主对角元素，此过程中我们没有计算过反对角元素的值

参数：

• x,y：阶数大于等于2的张量，在tensorflow下，只支持大于等于3阶的张量
• axes：目标结果的维度，为整数或整数列表，axes[0]和axes[1]应相同

示例：
假设x=[[1,2],[3,4]]，y=[[5,6],[7,8]]，则batch_dot(x, y, axes=1)为[[17, 53]]，恰好为x.dot(y.T)的主对角元，整个过程没有计算反对角元的元素。

我们做一下shape的推导，假设x是一个shape为(100,20)的tensor，y是一个shape为(100,30,20)的tensor，假设axes=(1,2)，则输出tensor的shape通过循环x.shape和y.shape确定：

• x.shape[0]：值为100，加入到输入shape里
• x.shape[1]：20，不加入输出shape里，因为该维度的值会被求和(dot_axes[0]=1)
• y.shape[0]：值为100，不加入到输出shape里，y的第一维总是被忽略
• y.shape[1]：30，加入到输出shape里

• y.shape[2]：20，不加到output shape里，y的第二个维度会被求和(dot_axes[1]=2)

• 结果为(100, 30)

>>> x_batch = K.ones(shape=(32, 20, 1))

>>> y_batch = K.ones(shape=(32, 30, 20))

>>> xy_batch_dot = K.batch_dot(x_batch, y_batch, axes=[1, 2])

>>> K.int_shape(xy_batch_dot)

(32, 1, 30)

transpose

transpose(x)

张量转置，返回转置后的tensor，示例：

>>> var = K.variable([[1, 2, 3], [4, 5, 6]])

>>> K.eval(var)

array([[ 1.,  2.,  3.],

   [ 4.,  5.,  6.]], dtype=float32)

>>> var_transposed = K.transpose(var)

>>> K.eval(var_transposed)

array([[ 1.,  4.],

   [ 2.,  5.],

   [ 3.,  6.]], dtype=float32)

>>> input = K.placeholder((2, 3))

>>> input

<tf.Tensor 'Placeholder_11:0' shape=(2, 3) dtype=float32>

>>> input_transposed = K.transpose(input)

>>> input_transposed

<tf.Tensor 'transpose_4:0' shape=(3, 2) dtype=float32>

gather

gather(reference, indices)

在给定的张量中检索给定下标的向量

参数：

• reference：张量
• indices：整数张量，其元素为要查询的下标

返回值：一个与reference数据类型相同的张量

max

max(x, axis=None, keepdims=False)

求张量中的最大值

min

min(x, axis=None, keepdims=False)

求张量中的最小值

sum

sum(x, axis=None, keepdims=False)

在给定轴上计算张量中元素之和

prod

prod(x, axis=None, keepdims=False)

在给定轴上计算张量中元素之积

cumsum

cumsum(x, axis=0)

在给定轴上求张量的累积和

cumprod

cumprod(x, axis=0)

在给定轴上求张量的累积积

var

var(x, axis=None, keepdims=False)

在给定轴上计算张量方差

std

std(x, axis=None, keepdims=False)

在给定轴上求张量元素之标准差

mean

mean(x, axis=None, keepdims=False)

在给定轴上求张量元素之均值

any

any(x, axis=None, keepdims=False)

按位或，返回数据类型为uint8的张量（元素为0或1）

all

any(x, axis=None, keepdims=False)

按位与，返回类型为uint8de tensor

argmax

argmax(x, axis=-1)

在给定轴上求张量之最大元素下标

argmin

argmin(x, axis=-1)

在给定轴上求张量之最小元素下标

square

square(x)

逐元素平方

abs

abs(x)

逐元素绝对值

sqrt

sqrt(x)

逐元素开方

exp

exp(x)

逐元素求自然指数

log

log(x)

逐元素求自然对数

logsumexp

logsumexp(x, axis=None, keepdims=False)

在给定轴上计算log(sum(exp()))，该函数在数值稳定性上超过直接计算log(sum(exp()))，可以避免由exp和log导致的上溢和下溢

round

round(x)

逐元素四舍五入

sign

sign(x)

逐元素求元素的符号（+1或-1）

pow

pow(x, a)

逐元素求x的a次方

clip

clip(x, min_value, max_value)

逐元素clip（将超出指定范围的数强制变为边界值）

equal

equal(x, y)

逐元素判相等关系，返回布尔张量

not_equal

not_equal(x, y)

逐元素判不等关系，返回布尔张量

greater

greater(x,y)

逐元素判断x>y关系，返回布尔张量

greater_equal

greater_equal(x,y)

逐元素判断x>=y关系，返回布尔张量

lesser

lesser(x,y)

逐元素判断x<y关系，返回布尔张量

lesser_equal

lesser_equal(x,y)

逐元素判断x<=y关系，返回布尔张量

maximum

maximum(x, y)

逐元素取两个张量的最大值

minimum

minimum(x, y)

逐元素取两个张量的最小值

sin

sin(x)

逐元素求正弦值

cos

cos(x)

逐元素求余弦值

normalize_batch_in_training

normalize_batch_in_training(x, gamma, beta, reduction_axes, epsilon=0.0001)

对一个batch数据先计算其均值和方差，然后再进行batch_normalization

batch_normalization

batch_normalization(x, mean, var, beta, gamma, epsilon=0.0001)

对一个batch的数据进行batch_normalization，计算公式为：
output = (x-mean)/(sqrt(var)+epsilon)*gamma+beta

concatenate

concatenate(tensors, axis=-1)

在给定轴上将一个列表中的张量串联为一个张量 specified axis

reshape

reshape(x, shape)

将张量的shape变换为指定shape

permute_dimensions

permute_dimensions(x, pattern)

按照给定的模式重排一个张量的轴

参数：

• pattern：代表维度下标的tuple如(0, 2, 1)

resize_images

resize_images(X, height_factor, width_factor, dim_ordering)

依据给定的缩放因子，改变一个batch图片的shape，参数中的两个因子都为正整数，图片的排列顺序与维度的模式相关，如‘th’和‘tf’

resize_volumes

resize_volumes(X, depth_factor, height_factor, width_factor, dim_ordering)

依据给定的缩放因子，改变一个5D张量数据的shape，参数中的两个因子都为正整数，图片的排列顺序与维度的模式相关，如‘th’和‘tf’。

5D数据的形式是batch, channels, depth, height, width或batch, depth, height, width, channels

repeat_elements

repeat_elements(x, rep, axis)

在给定轴上重复张量元素rep次，与np.repeat类似。

例如，若xshape(s1, s2, s3)并且给定轴为axis=1`，输出张量的shape为`(s1, s2 * rep, s3)

repeat

repeat(x, n)

重复2D张量，例如若xshape是(samples, dim)且n为2，则输出张量的shape是(samples, 2, dim)

arange

arange(start, stop=None, step=1, dtype='int32')

生成1D的整数序列张量，该函数的参数与Theano的arange函数含义相同，如果只有一个参数被提供了，那么它实际上就是stop参数的值

为了与tensorflow的默认保持匹配，函数返回张量的默认数据类型是int32

tile

tile(x, n)

将x在各个维度上重复n次，x为张量，n为与x维度数目相同的列表

batch_flatten

batch_flatten(x)

将一个n阶张量转变为2阶张量，其第一维度保留不变

expand_dims

expand_dims(x, dim=-1)

在下标为dim的轴上增加一维

squeeze

squeeze(x, axis)

将下标为axis的一维从张量中移除

temporal_padding

temporal_padding(x, padding=1)

向3D张量中间的那个维度的左右两端填充padding个0值

asymmetric_temporal_padding

asymmetric_temporal_padding(x, left_pad=1, right_pad=1)

向3D张量中间的那个维度的一端填充padding个0值

spatial_2d_padding

spatial_2d_padding(x, padding=(1, 1), dim_ordering='th')

向4D张量第二和第三维度的左右两端填充padding[0]和padding[1]个0值

spatial_3d_padding

spatial_3d_padding(x, padding=(1, 1, 1), dim_ordering='th')

向5D张量深度、高度和宽度三个维度上填充padding[0]，padding[1]和padding[2]个0值

stack

stack(x, axis=0)

将一个列表中维度数目为R的张量堆积起来形成维度为R+1的新张量

one-hot

one_hot(indices, nb_classes)

输入为n维的整数张量，形如(batch_size, dim1, dim2, ... dim(n-1))，输出为(n+1)维的one-hot编码，形如(batch_size, dim1, dim2, ... dim(n-1), nb_classes)

reverse

reverse(x, axes)

将一个张量在给定轴上反转

get_value

get_value(x)

以Numpy array的形式返回张量的值

batch_get_value

batch_get_value(x)

以Numpy array list的形式返回多个张量的值

set_value

set_value(x, value)

从numpy array将值载入张量中

batch_set_value

batch_set_value(tuples)

将多个值载入多个张量变量中

参数：

• tuples: 列表，其中的元素形如(tensor, value)。
  

  
  

  value是要载入的Numpy array数据

print_tensor

print_tensor(x, message='')

在求值时打印张量的信息，并返回原张量

function

function(inputs, outputs, updates=[])

实例化一个Keras函数

参数：

• inputs:：列表，其元素为占位符或张量变量
• outputs：输出张量的列表
• updates：列表，其元素是形如<tf.Tensor 'AssignAdd_9:0' shape=() dtype=float32_ref>的张量.

gradients

gradients(loss, variables)

返回loss函数关于variables的梯度，variables为张量变量的列表

stop_gradient

stop_gradient(variables)

Returns variables but with zero gradient with respect to every other variables.

rnn

rnn(step_function, inputs, initial_states, go_backwards=False, mask=None, constants=None, unroll=False, input_length=None)

在张量的时间维上迭代

参数：

• inputs： 形如(samples, time, ...)的时域信号的张量，阶数至少为3
• step_function：每个时间步要执行的函数
  其参数：
• input：形如(samples, ...)的张量，不含时间维，代表某个时间步时一个batch的样本
• states：张量列表
  其返回值：
• output：形如(samples, ...)的张量
  • new_states：张量列表，与‘states’的长度相同
• initial_states：形如(samples, ...)的张量，包含了step_function状态的初始值。
  

  
  

• go_backwards：布尔值，若设为True，则逆向迭代序列
• mask：形如(samples, time, 1)的二值张量，需要屏蔽的数据元素上值为1
• constants：按时间步传递给函数的常数列表
• unroll：当使用TensorFlow时，RNN总是展开的。
  

  
  

  当使用Theano时，设置该值为True将展开递归网络

• input_length：使用TensorFlow时不需要此值，在使用Theano时，如果要展开递归网络，必须指定输入序列

返回值：形如(last_output, outputs, new_states)的tuple

• last_output：rnn最后的输出，形如(samples, ...)
• outputs：形如(samples, time, ...)的张量，每个在[s,t]点的输出对应于样本s在t时间的输出
• new_states: 列表，其元素为形如(samples, ...)的张量，代表每个样本的最后一个状态

switch

switch(condition, then_expression, else_expression)

依据给定的条件‘condition’（整数或布尔值）在两个表达式之间切换，注意两个表达式都应该是具有同样shape的符号化张量表达式

参数：

• condition：标量张量
• then_expression：TensorFlow表达式
• else_expression: TensorFlow表达式

in_train_phase

in_train_phase(x, alt)

如果处于训练模式，则选择x，否则选择alt，注意alt应该与x的shape相同

in_test_phase

in_test_phase(x, alt)

如果处于测试模式，则选择x，否则选择alt，注意alt应该与x的shape相同

relu

relu(x, alpha=0.0, max_value=None)

修正线性单元

参数：

• alpha：负半区斜率
• max_value: 饱和门限

elu

elu(x, alpha=1.0)

指数线性单元

参数：

• x：输入张量
• alpha: 标量

softmax

softmax(x)

返回张量的softmax值

softplus

softplus(x)

返回张量的softplus值

softsign

softsign(x)

返回张量的softsign值

categorical_crossentropy

categorical_crossentropy(output, target, from_logits=False)

计算输出张量和目标张量的Categorical crossentropy（类别交叉熵），目标张量与输出张量必须shape相同

sparse_categorical_crossentropy

sparse_categorical_crossentropy(output, target, from_logits=False)

计算输出张量和目标张量的Categorical crossentropy（类别交叉熵），目标张量必须是整型张量

binary_crossentropy

binary_crossentropy(output, target, from_logits=False)

计算输出张量和目标张量的交叉熵

sigmoid

sigmoid(x)

逐元素计算sigmoid值

hard_sigmoid

hard_sigmoid(x)

该函数是分段线性近似的sigmoid，计算速度更快

tanh

tanh(x)

逐元素计算sigmoid值

dropout

dropout(x, level, seed=None)

随机将x中一定比例的值设置为0，并放缩整个tensor

参数：

• x：张量
• level：x中设置成0的元素比例
• seed：随机数种子

l2_normalize

l2_normalize(x, axis)

在给定轴上对张量进行L2范数规范化

in_top_k

in_top_k(predictions, targets, k)

判断目标是否在predictions的前k大值位置

参数：

• predictions：预测值张量, shape为(batch_size, classes), 数据类型float32
• targets：真值张量, shape为(batch_size,),数据类型为int32或int64
• k：整数

conv1d

conv1d(x, kernel, strides=1, border_mode='valid', image_shape=None, filter_shape=None)

1D卷积

参数：

• kernel：卷积核张量
• strides：步长，整型
• border_mode：“same”，“valid”之一的字符串

conv2d

conv2d(x, kernel, strides=(1, 1), border_mode='valid', dim_ordering='th', image_shape=None, filter_shape=None)

2D卷积

参数：

• kernel：卷积核张量
• strides：步长，长为2的tuple
• border_mode：“same”，“valid”之一的字符串
• dim_ordering：“tf”和“th”之一，维度排列顺序

deconv2d

deconv2d(x, kernel, output_shape, strides=(1, 1), border_mode='valid', dim_ordering='th', image_shape=None, filter_shape=None)

2D反卷积（转置卷积）

参数：

• x：输入张量
• kernel：卷积核张量
• output_shape: 输出shape的1D的整数张量
• strides：步长，tuple类型
• border_mode：“same”或“valid”
• dim_ordering：“tf”或“th”

conv3d

conv3d(x, kernel, strides=(1, 1, 1), border_mode='valid', dim_ordering='th', volume_shape=None, filter_shape=None)

3D卷积

参数：

• x：输入张量
• kernel：卷积核张量
• strides：步长，tuple类型
• border_mode：“same”或“valid”
• dim_ordering：“tf”或“th”

pool2d

pool2d(x, pool_size, strides=(1, 1), border_mode='valid', dim_ordering='th', pool_mode='max')

2D池化

参数：

• pool_size：含有两个整数的tuple，池的大小
• strides：含有两个整数的tuple，步长
• border_mode：“same”，“valid”之一的字符串
• dim_ordering：“tf”和“th”之一，维度排列顺序
• pool_mode: “max”，“avg”之一，池化方式

pool3d

pool3d(x, pool_size, strides=(1, 1, 1), border_mode='valid', dim_ordering='th', pool_mode='max')

3D池化

参数：

• pool_size：含有3个整数的tuple，池的大小
• strides：含有3个整数的tuple，步长
• border_mode：“same”，“valid”之一的字符串
• dim_ordering：“tf”和“th”之一，维度排列顺序
• pool_mode: “max”，“avg”之一，池化方式

bias_add

bias_add(x, bias, data_format=None)

为张量增加一个偏置项

random_normal

random_normal(shape, mean=0.0, stddev=1.0, dtype=None, seed=None)

返回具有正态分布值的张量，mean和stddev为均值和标准差

random_uniform

random_uniform(shape, minval=0.0, maxval=1.0, dtype=None, seed=None)

返回具有均匀分布值的张量，minval和maxval是均匀分布的下上界

random_binomial

random_binomial(shape, p=0.0, dtype=None, seed=None)

返回具有二项分布值的张量，p是二项分布参数

truncated_normall

truncated_normal(shape, mean=0.0, stddev=1.0, dtype=None, seed=None)

返回具有截尾正态分布值的张量，在距离均值两个标准差之外的数据将会被截断并重新生成

ctc_label_dense_to_sparse

ctc_label_dense_to_sparse(labels, label_lengths)

将ctc标签从稠密形式转换为稀疏形式

ctc_batch_cost

ctc_batch_cost(y_true, y_pred, input_length, label_length)

在batch上运行CTC损失算法

参数：

• y_true：形如(samples，max_tring_length)的张量，包含标签的真值
• y_pred：形如(samples，time_steps，num_categories)的张量，包含预测值或输出的softmax值
• input_length：形如(samples，1)的张量，包含y_pred中每个batch的序列长
• label_length：形如(samples，1)的张量，包含y_true中每个batch的序列长

返回值：形如(samoles，1)的tensor，包含了每个元素的CTC损失

ctc_decode

ctc_decode(y_pred, input_length, greedy=True, beam_width=None, dict_seq_lens=None, dict_values=None)

使用贪婪算法或带约束的字典搜索算法解码softmax的输出

参数：

• y_pred：形如(samples，time_steps，num_categories)的张量，包含预测值或输出的softmax值
• input_length：形如(samples，1)的张量，包含y_pred中每个batch的序列长
• greedy：设置为True使用贪婪算法，速度快
• dict_seq_lens：dic_values列表中各元素的长度
• dict_values：列表的列表，代表字典

返回值：形如(samples，time_steps，num_catgories)的张量，包含了路径可能性（以softmax概率的形式）。

注意仍然需要一个用来取出argmax和处理空白标签的函数

map_fn

map_fn(fn, elems, name=None)

元素elems在函数fn上的映射，并返回结果

参数：

• fn：函数
• elems：张量
• name：节点的名字

返回值：返回一个张量，该张量的第一维度等于elems，第二维度取决于fn

foldl

foldl(fn, elems, initializer=None, name=None)

减少elems，用fn从左到右连接它们

参数：

• fn：函数，例如：lambda acc, x: acc + x
• elems：张量
• initializer：初始化的值(elems[0])
• name：节点名

返回值：与initializer的类型和形状一致

foldr

foldr(fn, elems, initializer=None, name=None)

减少elems，用fn从右到左连接它们

参数：

• fn：函数，例如：lambda acc, x: acc + x
• elems：张量
• initializer：初始化的值（elems[-1]）
• name：节点名

返回值：与initializer的类型和形状一致

艾伯特(http://www.aibbt.com/)国内第一家人工智能门户