这篇文章主要为大家展示了keras中如何使用backend.clip,内容简而易懂,希望大家可以学习一下,学习完之后肯定会有收获的,下面让小编带大家一起来看看吧。
如下所示:
keras.backend.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)
参数
x: 张量或变量。
min_value: Python 浮点或整数。
max_value: Python 浮点或整数。
返回
一个张量。
import tensorflow as tf from keras import backend a = tf.constant(2.1) #定义tensor常量 b = backend.clip(a, 0, 1) with tf.Session() as sess: print (sess.run(b)) >>>1.0
Keras中可以利用backend中的一些函数来自定义模型的评估标准。
补充知识:keras中merge用法
首先keras的文档中是这样给出的,把若干个层合并成一个层
keras.engine.topology.Merge(layers=None, mode='sum', concat_axis=-1, dot_axes=-1, output_shape=None, node_indices=None, tensor_indices=None, name=None)
layers:该参数为Keras张量的列表,或Keras层对象的列表。该列表的元素数目必须大于1。
mode:合并模式,如果为字符串,则为下列值之一{“sum”,“mul”,“concat”,“ave”,“cos”,“dot”}
其中sum和mul是对待合并层输出做一个简单的求和、乘积运算,因此要求待合并层输出shape要一致。concat是将待合并层输出沿着最后一个维度进行拼接,因此要求待合并层输出只有最后一个维度不同。
下面我要说的主要针对训练时,Merge是一个层对象,在多个sequential组成的网络模型中,如果
x:输入数据。如果模型只有一个输入,那么x的类型是numpy array,如果模型有多个输入,那么x的类型应当为list,list的元素是对应于各个输入的numpy array
y:标签,numpy array
否则运行时很可能会提示意思就是你输入的维度与实际不符,好了,说什么都不如写一个代码来的实际:
model_left= Sequential() model_left.add(Dense(50, input_shape=(784,))) model_left.add(Activation('relu')) model_right = Sequential() model_right.add(Dense(50, input_shape=(784,))) model_rightadd(Activation('relu')) model = Sequential() model.add(Merge([model_left,model_right], mode='concat')) model.add(Dense(10)) model.add(Activation('softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) model.fit([X_train, X_train], Y_train, batch_size=64, nb_epoch=30, validation_data=([X_test, X_test], Y_test))
以上就是关于keras中如何使用backend.clip的内容,如果你们有学习到知识或者技能,可以把它分享出去让更多的人看到。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。