如下所示：

keras.backend.clip(x,min_value,max_value)

逐元素clip（將超出指定範圍的數強制變為邊界值）

引數

x: 張量或變數。
min_value: Python 浮點或整數。
max_value: Python 浮點或整數。

返回

一個張量。

import tensorflow as tf
from keras import backend
a = tf.constant(2.1) #定義tensor常量
b = backend.clip(a,1)
with tf.Session() as sess:
  print (sess.run(b))
 
>>>1.0

Keras中可以利用backend中的一些函式來自定義模型的評估標準。

補充知識：keras中merge用法

首先keras的文件中是這樣給出的，把若干個層合併成一個層

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：該引數為Keras張量的列表，或Keras層物件的列表。該列表的元素數目必須大於1。

mode：合併模式，如果為字串，則為下列值之一{“sum”，“mul”，“concat”，“ave”，“cos”，“dot”}

其中sum和mul是對待合併層輸出做一個簡單的求和、乘積運算，因此要求待合併層輸出shape要一致。concat是將待合併層輸出沿著最後一個維度進行拼接，因此要求待合併層輸出只有最後一個維度不同。

下面我要說的主要針對訓練時，Merge是一個層物件，在多個sequential組成的網路模型中，如果

x：輸入資料。如果模型只有一個輸入，那麼x的型別是numpy array，如果模型有多個輸入，那麼x的型別應當為list，list的元素是對應於各個輸入的numpy array

y：標籤，numpy array

否則執行時很可能會提示意思就是你輸入的維度與實際不符，好了，說什麼都不如寫一個程式碼來的實際：

model_left= Sequential() 
model_left.add(Dense(50,input_shape=(784,))) 
model_left.add(Activation('relu')) 
  
model_right = Sequential() 
model_right.add(Dense(50,))) 
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))

以上這篇keras中的backend.clip用法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。