日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

1.activations：tf.keras.activations中包含了当前主流的激活函数，可以直接通过该API进行激活函数的调用tf.keras.activations.deserializetf.keras.activations.lineartf.keras.activations.softmaxtf.keras.activations.elutf.keras.activations.relutf.keras.activations.softplustf.keras.activations.exponentialtf.keras.activations.selutf.keras.activations.softsigntf.keras.activations.gettf.keras.activations.serializetf.keras.activations.tanhtf.keras.activations.hard_sigmoidtf.keras.activations.sigmoid2.applications：tf.keras.applications中包含的是已经进行预训练的神经网络模型，可以直接进行预测或者迁移学习。目前该模块中包含了主流的神经网络结构。tf.keras.applications.DenseNet121 tf.keras.applications.VGG19tf.keras.applications.DenseNet169 tf.keras.applications.Xceptiontf.keras.applications.DenseNet201 tf.keras.applications.densenettf.keras.applications.InceptionResNetV2tf.keras.applications.imagenet_utilstf.keras.applications.InceptionV3tf.keras.applications.inception_resnet_v2tf.keras.applications.MobileNettf.keras.applications.inception_v3tf.keras.applications.MobileNetV2tf.keras.applications.mobilenettf.keras.applications.NASNetLargetf.keras.applications.mobilenet_v2tf.keras.applications.NASNetMobiletf.keras.applications.nasnettf.keras.applications.ResNet101tf.keras.applications.resnettf.keras.applications.ResNet101V2tf.keras.applications.resnet50tf.keras.applications.ResNet152tf.keras.applications.resnet_v2tf.keras.applications.ResNet152V2tf.keras.applications.vgg16tf.keras.applications.ResNet50tf.keras.applications.vgg19tf.keras.applications.ResNet50V2tf.keras.applications.xceptiontf.keras.applications.VGG163.backend：tf.keras.backend中包含了Keras后台的一些基础API接口，用于实现高阶API或者自己构建神经网络。4.datasets：tf.keras.datasets中包含了常用的公开数据训练集，可以直接进行使用（需要翻墙），数据集有CIFAR-100、Boston Housing等。tf.keras.datasets.boston_housing tf.keras.datasets.cifar10        tf.keras.datasets.cifar100       tf.keras.datasets.fashion_mnist  tf.keras.datasets.imdb           tf.keras.datasets.mnist          tf.keras.datasets.reuters5.layers：tf.keras.layers中包含了已经定义好的常用的神经网络层。tf.keras.layers.AbstractRNNCelltf.keras.layers.Convolution1Dtf.keras.layers.GlobalAvgPool1Dtf.keras.layers.MaxPool3Dtf.keras.layers.StackedRNNCellstf.keras.layers.Activationtf.keras.layers.Convolution2Dtf.keras.layers.GlobalAvgPool2Dtf.keras.layers.MaxPooling1Dtf.keras.layers.Subtracttf.keras.layers.ActivityRegularizationtf.keras.layers.Convolution2DTransposetf.keras.layers.GlobalAvgPool3Dtf.keras.layers.MaxPooling2Dtf.keras.layers.ThresholdedReLUtf.keras.layers.Addtf.keras.layers.Convolution3Dtf.keras.layers.GlobalMaxPool1Dtf.keras.layers.MaxPooling3Dtf.keras.layers.TimeDistributedtf.keras.layers.AdditiveAttentiontf.keras.layers.Convolution3DTransposetf.keras.layers.GlobalMaxPool2Dtf.keras.layers.Maximumtf.keras.layers.UpSampling1Dtf.keras.layers.AlphaDropouttf.keras.layers.Cropping1Dtf.keras.layers.GlobalMaxPool3Dtf.keras.layers.Minimumtf.keras.layers.UpSampling2Dtf.keras.layers.Attentiontf.keras.layers.Cropping2Dtf.keras.layers.GlobalMaxPooling1Dtf.keras.layers.Multiplytf.keras.layers.UpSampling3Dtf.keras.layers.Averagetf.keras.layers.Cropping3Dtf.keras.layers.GlobalMaxPooling2Dtf.keras.layers.PReLUtf.keras.layers.Wrappertf.keras.layers.AveragePooling1Dtf.keras.layers.Densetf.keras.layers.GlobalMaxPooling3Dtf.keras.layers.Permutetf.keras.layers.ZeroPadding1Dtf.keras.layers.AveragePooling2Dtf.keras.layers.DenseFeaturestf.keras.layers.Inputtf.keras.layers.RNNtf.keras.layers.ZeroPadding2Dtf.keras.layers.AveragePooling3Dtf.keras.layers.DepthwiseConv2Dtf.keras.layers.InputLayertf.keras.layers.ReLUtf.keras.layers.ZeroPadding3Dtf.keras.layers.AvgPool1Dtf.keras.layers.Dottf.keras.layers.InputSpectf.keras.layers.RepeatVectortf.keras.layers.addtf.keras.layers.AvgPool2Dtf.keras.layers.Dropouttf.keras.layers.LSTMtf.keras.layers.Reshapetf.keras.layers.averagetf.keras.layers.AvgPool3Dtf.keras.layers.ELUtf.keras.layers.LSTMCelltf.keras.layers.SeparableConv1Dtf.keras.layers.concatenatetf.keras.layers.BatchNormalizationtf.keras.layers.Embeddingtf.keras.layers.Lambdatf.keras.layers.SeparableConv2Dtf.keras.layers.deserializetf.keras.layers.Bidirectionaltf.keras.layers.Flattentf.keras.layers.Layertf.keras.layers.SeparableConvolution1Dtf.keras.layers.dottf.keras.layers.Concatenatetf.keras.layers.GRUtf.keras.layers.LayerNormalizationtf.keras.layers.SeparableConvolution2Dtf.keras.layers.maximumtf.keras.layers.Conv1Dtf.keras.layers.GRUCelltf.keras.layers.LeakyReLUtf.keras.layers.SimpleRNNtf.keras.layers.minimumtf.keras.layers.Conv2Dtf.keras.layers.GaussianDropouttf.keras.layers.LocallyConnected1Dtf.keras.layers.SimpleRNNCelltf.keras.layers.multiplytf.keras.layers.Conv2DTransposetf.keras.layers.GaussianNoisetf.keras.layers.LocallyConnected2Dtf.keras.layers.Softmaxtf.keras.layers.serializetf.keras.layers.Conv3Dtf.keras.layers.GlobalAveragePooling1Dtf.keras.layers.Maskingtf.keras.layers.SpatialDropout1Dtf.keras.layers.subtracttf.keras.layers.Conv3DTransposetf.keras.layers.GlobalAveragePooling2Dtf.keras.layers.MaxPool1Dtf.keras.layers.SpatialDropout2Dtf.keras.layers.ConvLSTM2Dtf.keras.layers.GlobalAveragePooling3Dtf.keras.layers.MaxPool2Dtf.keras.layers.SpatialDropout3D6.losses：tf.keras.losses中包含了常用的损失函数，可以根据实际需求直接进行调用。tf.keras.losses.BinaryCrossentropytf.keras.losses.MAPEtf.keras.losses.binary_crossentropytf.keras.losses.mapetf.keras.losses.CategoricalCrossentropytf.keras.losses.MSEtf.keras.losses.categorical_crossentropytf.keras.losses.mean_absolute_errortf.keras.losses.CategoricalHingetf.keras.losses.MSLEtf.keras.losses.categorical_hingetf.keras.losses.mean_absolute_percentage_errortf.keras.losses.CosineSimilaritytf.keras.losses.MeanAbsoluteErrortf.keras.losses.cosine_similaritytf.keras.losses.mean_squared_errortf.keras.losses.Hingetf.keras.losses.MeanAbsolutePercentageErrortf.keras.losses.deserializetf.keras.losses.mean_squared_logarithmic_errortf.keras.losses.Hubertf.keras.losses.MeanSquaredErrortf.keras.losses.gettf.keras.losses.msetf.keras.losses.KLDtf.keras.losses.MeanSquaredLogarithmicErrortf.keras.losses.hingetf.keras.losses.msletf.keras.losses.KLDivergencetf.keras.losses.Poissontf.keras.losses.kldtf.keras.losses.poissontf.keras.losses.LogCoshtf.keras.losses.Reductiontf.keras.losses.kullback_leibler_divergencetf.keras.losses.serializetf.keras.losses.Losstf.keras.losses.SparseCategoricalCrossentropytf.keras.losses.logcoshtf.keras.losses.sparse_categorical_crossentropytf.keras.losses.MAEtf.keras.losses.SquaredHingetf.keras.losses.maetf.keras.losses.squared_hinge7.optimizers：tf.keras.optimizers中包含了主流的优化器，可以直接调用API使用。比如Adm等优化器可以直接调用，然后配置所需要的参数即可。tf.keras.optimizers.Adadeltatf.keras.optimizers.Adamtf.keras.optimizers.Ftrltf.keras.optimizers.Optimizertf.keras.optimizers.SGDtf.keras.optimizers.gettf.keras.optimizers.serializetf.keras.optimizers.Adagradtf.keras.optimizers.Adamaxtf.keras.optimizers.Nadamtf.keras.optimizers.RMSproptf.keras.optimizers.deserializetf.keras.optimizers.schedules8.regularizers：tf.keras.regularizers中提供了常用的正则化方法，包括L1、L2等正则化方法。tf.keras.regularizers.L1L2tf.keras.regularizers.deserializetf.keras.regularizers.l1tf.keras.regularizers.l2tf.keras.regularizers.Regularizertf.keras.regularizers.gettf.keras.regularizers.l1_l2tf.keras.regularizers.serialize9.wrappers：tf.keras.wrappers是一个Keras模型的包装器，当需要进行跨框架迁移时，可以使用该API接口提供与其他框架的兼容性。10.Sequential类：tf.keras.Sequential可以让我们将神经网络层进行线性组合形成神经网络结构。tf.keras.Sequential.activity_regularizer      tf.keras.Sequential.dynamic                   tf.keras.Sequential.get_weights              tf.keras.Sequential.outbound_nodes            tf.keras.Sequential.set_weightstf.keras.Sequential.add                      tf.keras.Sequential.evaluate                 tf.keras.Sequential.inbound_nodes             tf.keras.Sequential.output                    tf.keras.Sequential.state_updatestf.keras.Sequential.add_loss                 tf.keras.Sequential.evaluate_generator       tf.keras.Sequential.input                     tf.keras.Sequential.output_mask               tf.keras.Sequential.statefultf.keras.Sequential.add_metric               tf.keras.Sequential.fit                      tf.keras.Sequential.input_mask                tf.keras.Sequential.output_shape              tf.keras.Sequential.submodulestf.keras.Sequential.add_update               tf.keras.Sequential.fit_generator            tf.keras.Sequential.input_shape               tf.keras.Sequential.pop                      tf.keras.Sequential.summarytf.keras.Sequential.add_variable             tf.keras.Sequential.from_config              tf.keras.Sequential.input_spec                tf.keras.Sequential.predict                  tf.keras.Sequential.test_on_batchtf.keras.Sequential.add_weight               tf.keras.Sequential.get_config               tf.keras.Sequential.layers                    tf.keras.Sequential.predict_classes          tf.keras.Sequential.to_jsontf.keras.Sequential.apply                    tf.keras.Sequential.get_input_at             tf.keras.Sequential.load_weights             tf.keras.Sequential.predict_generator        tf.keras.Sequential.to_yamltf.keras.Sequential.build                    tf.keras.Sequential.get_input_mask_at        tf.keras.Sequential.losses                    tf.keras.Sequential.predict_on_batch         tf.keras.Sequential.train_on_batchtf.keras.Sequential.call                     tf.keras.Sequential.get_input_shape_at       tf.keras.Sequential.metrics                   tf.keras.Sequential.predict_proba            tf.keras.Sequential.trainabletf.keras.Sequential.compile                  tf.keras.Sequential.get_layer                tf.keras.Sequential.metrics_names             tf.keras.Sequential.reset_metrics            tf.keras.Sequential.trainable_variablestf.keras.Sequential.compute_mask             tf.keras.Sequential.get_losses_for           tf.keras.Sequential.mro                      tf.keras.Sequential.reset_states             tf.keras.Sequential.trainable_weightstf.keras.Sequential.compute_output_shape     tf.keras.Sequential.get_output_at            tf.keras.Sequential.name                      tf.keras.Sequential.run_eagerly               tf.keras.Sequential.updatestf.keras.Sequential.compute_output_signature tf.keras.Sequential.get_output_mask_at       tf.keras.Sequential.name_scope                tf.keras.Sequential.sample_weights            tf.keras.Sequential.variablestf.keras.Sequential.count_params             tf.keras.Sequential.get_output_shape_at      tf.keras.Sequential.non_trainable_variables   tf.keras.Sequential.save                     tf.keras.Sequential.weightstf.keras.Sequential.dtype                     tf.keras.Sequential.get_updates_for          tf.keras.Sequential.non_trainable_weights     tf.keras.Sequential.save_weights             tf.keras.Sequential.with_name_scope

tf.keras.losses.SparseCategoricalCrossentropy

Crossentropy（交叉熵）是常用的损失函数，交叉熵可以计算实际输出概率与期望输出概率之间的距离。
交叉熵分为对数交叉熵和多对数交叉熵，其中对数交叉熵用于解决二分类的问题，多对数交叉熵用于解决多分类的问题。SparseCategoricalCrossentropy是可以接受稀疏编码的多对数交叉熵，
所谓的接受稀疏编码就是指期望值可以是整型的分类编码，如1，2，3等。
在使用SparseCategoricalCrossentropy时，可以配置的参数如下。• y_true：配置期望的真实值。
• y_pred：配置预测的值。

tf.keras下常用模块 activations、applications、datasets、layers、losses、optimizers、regularizers、Sequential相关推荐

【tf.keras】官方教程一 Keras overview
目录 Sequential Model:(the simplest type of model) Getting started with the Keras Sequential model Spe ...
Keras vs tf.keras: 在TensorFlow 2.0中有什么区别?
导读在本文中,您将发现Keras和tf.keras之间的区别,包括TensorFlow 2.0中的新增功能. 万众期待的TensorFlow 2.0于9月30日正式发布. 虽然肯定是值得庆祝的时刻, ...
Keras vs. tf.keras: 在TensorFlow 2.0中有什么区别?
在本教程中,您将发现Keras和tf.keras之间的区别,包括TensorFlow 2.0中的新增功能. Keras vs. tf.keras: 在TensorFlow 2.0中有什么区别? htt ...
深度学习框架 TensorFlow：张量、自动求导机制、tf.keras模块(Model、layers、losses、optimizer、metrics)、多层感知机(即多层全连接神经网络 MLP)
日萌社人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) 安装 TensorFlow2.CUDA10.cuDNN7.6. ...
【Tensorflow教程笔记】常用模块 tf.function ：图执行模式
基础 TensorFlow 基础 TensorFlow 模型建立与训练基础示例:多层感知机(MLP) 卷积神经网络(CNN) 循环神经网络(RNN) 深度强化学习(DRL) Keras Pipeli ...
【Tensorflow教程笔记】常用模块 tf.train.Checkpoint ：变量的保存与恢复
基础 TensorFlow 基础 TensorFlow 模型建立与训练基础示例:多层感知机(MLP) 卷积神经网络(CNN) 循环神经网络(RNN) 深度强化学习(DRL) Keras Pipeli ...
表格结构识别 SPLERGE tf/keras 实现（下）
文章目录 SPLERGE 数据准备模型搭建模型训练模型评估更新:非常抱歉,经过交流讨论,发现一处我的代码错误,Merge 模型中最前面应该加上对应的 SFCN,我写了 SFCN 但是却没加入到 ...
【tensorflow2.0】29.tf.keras.applications
在讲解作业之前,插一个很重要的知识点,也是我们作业中的一个重要的知识点,用tf.keras.applications加载预训练模型. 我们可以发现,tf.keras.applications下 ...
调用tensorflow2中的tf.keras.applications.VGG16并进行微调
调用tensorflow2中的tf.keras.applications.VGG16并进行微调环境配置:tensorflow版本2.3.0:cuda 10.1:python3.8 数据集:cifar ...

tf.keras下常用模块 activations、applications、datasets、layers、losses、optimizers、regularizers、Sequential

日萌社

tf.keras.losses.SparseCategoricalCrossentropy

tf.keras下常用模块 activations、applications、datasets、layers、losses、optimizers、regularizers、Sequential相关推荐

最新文章

热门文章