keras中的backend.clip用法
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。