Python keras

（一）to_categorical

说明：

简单来说，to_categorical就是将类别向量转换为二进制（只有0和1）的矩阵类型表示。其表现为将原有的类别向量转换为独热编码的形式。

例子：

from keras.utils.np_utils import *
#类别向量定义
b = [0,1,2,3,4,5,6,7,8]
#调用to_categorical将b按照9个类别来进行转换
b = to_categorical(b, 9)
print(b)
 
执行结果如下：
[[1. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 1. 0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 1. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 1. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 1. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0. 1. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 1.]]

to_categorical最为keras中提供的一个工具方法，从以上代码运行可以看出，将原来类别向量中的每个值都转换为矩阵里的一个行向量，从左到右依次是0,1,2，...8个类别。2表示为[0. 0. 1. 0. 0. 0. 0. 0. 0.]，只有第3个为1，作为有效位，其余全部为0。

（二）Sequential

说明：

顺序模型是多个网络层的线性堆叠。

原型：

Sequential()

例子：

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

or

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))

（三）Convolution2D

说明：

该层创建了一个卷积核， 该卷积核对层输入进行卷积， 以生成输出张量。 如果 use_bias 为 True， 则会创建一个偏置向量并将其添加到输出中。 最后，如果 activation 不是 None，它也会应用于输出。

当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴），例如， input_shape=(128, 128, 3) 表示 128x128 RGB 图像， 在 data_format="channels_last" 时。

原型：

keras.layers.Conv2D(
filters, #卷积核的数目（即输出的维度）
kernel_size, #卷积核的宽度和长度。
strides=(1, 1), #为卷积的步长。
padding='valid', #补0策略，为“valid”, “same” 。“valid”代表只进行有效的卷积，即对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。
data_format=None, #激活函数。如果不指定该参数，将不会使用任何激活函数
dilation_rate=(1, 1), #指定dilated convolution中的膨胀比例。
activation=None, #字符串，“channels_first”或“channels_last”之一，代表图像的通道维的位置。“channels_last”对应原本的“tf”，“channels_first”对应原本的“th”。以128x128的RGB图像为例，“channels_first”应将数据组织为（3,128,128），而“channels_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channels_last”。
use_bias=True, #布尔值，是否使用偏置项
kernel_initializer='glorot_uniform',#权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。
bias_initializer='zeros', #权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器
kernel_regularizer=None, #施加在权重上的正则项，为Regularizer对象
bias_regularizer=None, #施加在偏置向量上的正则项，为Regularizer对象
activity_regularizer=None, #施加在输出上的正则项，为Regularizer对象
kernel_constraint=None, #施加在权重上的约束项，为Constraints对象
bias_constraint=None)#施加在偏置上的约束项，为Constraints对象

例子：

model.add(Convolution2D(
input_shape = (28,28,1),#当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴），
filters = 32,#卷积核的数目（即输出的维度）
kernel_size = 5,#卷积核的宽度和长度。
strides = 1,#为卷积的步长。
padding = 'same',#“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。
activation = 'relu'#激活函数。如果不指定该参数，将不会使用任何激活函数
))

（四）MaxPooling2D

说明：

对于空间数据的最大池化。

原型：

keras.layers.MaxPooling2D(
pool_size=(2, 2), #池化窗口大小
strides=None, #池化步长，默认值等于 pool_size
padding='valid', #VALID' 或 'SAME'，'VALID'表示无填充，'SAME'表示用0填充
data_format=None)#表示输入张量的维度顺序，默认为 [batch, height, width, channel]

例子：

model.add(MaxPooling2D(
pool_size = 2,#池化窗口大小
strides = 2,#池化步长，默认值等于 pool_size
padding = 'same',#'SAME'表示用0填充
))

（五）Flatten

说明：

将输入展平。不影响批量大小。

原型：

keras.layers.Flatten(
data_format=None)#data_format：一个字符串，其值为 channels_last（默认值）或者 channels_first。它表明输入的维度的顺序。

例子：

model = Sequential()
model.add(Conv2D(64, (3, 3),
                 input_shape=(3, 32, 32), padding='same',))
# 现在：model.output_shape == (None, 64, 32, 32)

model.add(Flatten())
# 现在：model.output_shape == (None, 65536)

（六）Dense

说明：

全连接层。

原型：

keras.layers.Dense(
units, #代表该层的输出维度或神经元个数,
activation=None, #激活函数.但是默认 liner
use_bias=True, #布尔值，该层是否使用偏置向量b
kernel_initializer='glorot_uniform', #初始化w权重 
bias_initializer='zeros', #初始化b权重 
kernel_regularizer=None, #施加在权重w上的正则项
bias_regularizer=None, #施加在偏置向量b上的正则项 
activity_regularizer=None, #施加在输出上的正则项 
kernel_constraint=None, #施加在权重w上的约束项
bias_constraint=None)#施加在偏置b上的约束项

例子：

# 作为 Sequential 模型的第一层
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# 现在模型就会以尺寸为 (*, 16) 的数组作为输入，
# 其输出数组的尺寸为 (*, 32)

# 在第一层之后，你就不再需要指定输入的尺寸了：
model.add(Dense(32))

（七）Dropout

说明：

Dropout 包括在训练中每次更新时， 将输入单元的按比率随机设置为 0， 这有助于防止过拟合。

原型：

keras.layers.Dropout(
rate, #在 0 和 1 之间浮动。需要丢弃的输入比例。
noise_shape=None, #1D 整数张量， 表示将与输入相乘的二进制 dropout 掩层的形状。
seed=None)#一个作为随机种子的 Python 整数。

例子：

model.add(Dropout(0.5))

（八）优化器Adam 

说明：

Adam 优化器。

默认参数遵循原论文中提供的值。

原型：

keras.optimizers.Adam(
lr=0.001, #学习率
beta_1=0.9, # 0到1之间，一般接近于1
beta_2=0.999, #0到1之间，一般接近于1，和beta_1一样，使用默认的就好
epsilon=None, #模糊因子，如果为空，默认为k.epsilon()
decay=0.0, #每次参数更新后学习率的衰减值（每次更新时学习率下降）
amsgrad=False)#布尔型，是否使用AMSGrad变体

例子：

adam = Adam(learning_rate=1e-4)

（九）compile

说明：

用于配置训练模型。

原型：

compile(
optimizer, #字符串（优化器名）或者优化器实例。
loss=None, #字符串（目标函数名）或目标函数。 
metrics=None, #在训练和测试期间的模型评估标准。 通常你会使用 metrics = ['accuracy']。
loss_weights=None, #可选的指定标量系数（Python 浮点数）的列表或字典， 用以衡量损失函数对不同的模型输出的贡献。
sample_weight_mode=None, #如果你需要执行按时间步采样权重（2D 权重），请将其设置为 temporal。
weighted_metrics=None, # 在训练和测试期间，由 sample_weight 或 class_weight 评估和加权的度量标准列表。
target_tensors=None)#默认情况下，Keras 将为模型的目标创建一个占位符，在训练过程中将使用目标数据。

例子：

model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])

（十）layers.Input()

说明：

用于构建网络的第一层——输入层，该层会告诉网络我们的输入的尺寸是什么

原型：

layers.Input(
    shape=None,#输入的形状，tuple类型。不含batch_size；tuple的元素可以为None类型数据，表示未知的或者说任意的，一般这里不用None
    batch_size=None,#声明输入的batch_size大小，一般会在预测时候用，训练时不需要声明，会在fit时声明，即dataset类型数据声明了batch_size
    name=None,#给layers起个名字，在整个网络中不能出现重名。如果name=None，则系统会自动为该层创建名字。
    dtype=None,#数据类型，在大多数时候，我们需要的数据类型为tf.float32，因为在精度满足的情况下，float32运算更快。
    sparse=False,#true/false ,指定数据是否为系数向量
    tensor=None,#指定一个已存在的tensor 传给Input
    ragged=False,#
    **kwargs,#
)

例子：

x_in = layers.Input(shape=(32, 32, 1))

（十一）summary

说明：

打印显示网络结构和参数