tensorflow函数API总结：

首推官网查询

tf.keras.Input:创建输入层

别名：

tf.keras.Input
tf.keras.layers.Input

tf.keras.Input(shape=None,batch_size=None,name=None,dtype=None,sparse=False,tensor=None,**kwargs
)

参数：

shape：形状元组(整数),不包括批量大小.例如,shape=(32,),表示预期的输入将是32维向量的批次.
batch_size：可选的静态批量大小(整数).
name：图层的可选名称字符串.在模型中应该是唯一的(不要重复使用相同的名称两次).如果未提供,它将自动生成.
dtype：数据类型由输入预期的,作为字符串(float32,float64,int32…)
sparse：一个布尔值,指定是否创建占位符是稀疏的.
tensor：可选的现有张量包裹到Input图层中.如果设置,图层将不会创建占位符张量.
**kwargs：不支持的参数.

A tensor.

示例：

# this is a logistic regression in Keras
x = Input(shape=(32,))
y = Dense(16, activation='softmax')(x)
model = Model(x, y)

keras.layers.Dense：创建全连接层

keras.layers.Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

参数：

units:该层有几个神经元
activation:该层使用的激活函数
use_bias:是否添加偏置项
kernel_initializer:权重初始化方法
bias_initializer:偏置值初始化方法
kernel_regularizer:权重规范化函数
bias_regularizer:偏置值规范化方法
activity_regularizer:输出的规范化方法
kernel_constraint:权重变化限制函数
bias_constraint:偏置值变化限制函数

使用示例

keras.layers.Dense(30, activation= 'relu')

keras.models.Model函数

kerals.models.Model(input = ,output = )

参数

input：输入层，必须由keras.layers.Input来创建
output：输出层
中间层不用作为参数，但是默认会加入model模型

tf.keras.Model.compile()函数

keras.Model.compile(optimizer,---> ['Adadelta', 'Adagrad', 'Adam', 'Adamax', 'FTRL', 'NAdam', 'optimizer', 'RMSprop', 'SGD']loss=None,metrics=None,loss_weights=None,sample_weight_mode=None,weighted_metrics=None,target_tensors=None,distribute=None,**kwargs
)

参数：

optimizer: 优化参数，选择范围我们已经在上面的代码块展示了。**
loss:损失函数

BinaryCrossentropy：计算真实标签和预测标签之间的交叉熵损失。
CategoricalCrossentropy：计算标签和预测之间的交叉熵损失。
CategoricalHinge：计算y_true和y_pred之间的分类铰链损失。
CosineSimilarity：计算y_true和y_pred之间的余弦相似度。
Hinge：计算y_true和y_pred之间的铰链损耗。
Huber：计算y_true和y_pred之间的Huber损失。
KLDivergence：计算y_true和y_pred之间的Kullback Leibler差异损失。
LogCosh：计算预测误差的双曲余弦的对数。
Loss：损失基类。
MeanAbsoluteError：计算标签和预测之间的绝对差异的平均值。
MeanAbsolutePercentageError：计算y_true和y_pred之间的平均绝对百分比误差。
MeanSquaredError：计算标签和预测之间的误差平方的平均值。
MeanSquaredLogarithmicError：计算y_true和y_pred之间的均方对数误差。
Poisson：计算y_true和y_pred之间的泊松损失。
Reduction：减少损失的类型。
SparseCategoricalCrossentropy：计算标签和预测之间的交叉熵损失。
SquaredHinge：计算y_true和y_pred之间的平方铰链损耗。

metrics: 训练和测试期间要使用的评估指标

1、metrics=['accuracy']
2、多输出模型的不同输出指定不同的度量标准：metrics={'output_a': 'accuracy', 'output_b': ['accuracy', 'mse']}metrics=[['accuracy'], ['accuracy', 'mse']]metrics=['accuracy', ['accuracy', 'mse']]

sample_weight_mode：如果您需要进行时间步长样本加权（2D权重），请将其设置为temporal。None默认为采样权重（1D）。如果模型具有多个输出，则可以sample_weight_mode通过传递字典或模式列表在每个输出上使用不同的输出。weighted_metrics：在训练和测试期间由sample_weight或class_weight评估和加权的指标列表。

tf.keras.Model.evaluate:模型评估

evaluate(x=None,y=None,batch_size=None,verbose=1,sample_weight=None,steps=None,callbacks=None,max_queue_size=10,workers=1,use_multiprocessing=False
)

参数：

x: 测试自变量，可以是Numpy数组或数组列表、TensorFlow张量或张量列表、如果模型具有命名输入，则dict将输入名称映射到相应的数组/张量、tf.data数据集或数据集的迭代、生成器或keras.utils.Sequence实例。
y: 目标数据，类型同x一样。
batch_size: 每个批量处理的数据量。整数。默认为32。如果你的数据是 symbolic tensors, dataset, dataset iterators, generators, or keras.utils.Sequence则不需要指定该参数，因为它会生成batchs.
verbose: 0, 1，默认为1。日志显示，批量输出，你可以控制输出的间隔。
steps: 整数或None，每轮迭代的步数。如果x是 tf.data dataset or a dataset iterator,and steps is None，则数据将会耗尽为止。max_queue_size: 默认为10，生成队列的最大size。
workers: 进程数。

tf.keras.Model.evaluate_generator():在数据生成器上评估模型

evaluate_generator(generator,steps=None,callbacks=None,max_queue_size=10,workers=1,use_multiprocessing=False,verbose=0
)

tf.keras.Model.fit:在数据上拟合模型

fit(x=None,y=None,batch_size=None,epochs=1,verbose=1,callbacks=None,validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight=None,initial_epoch=0,steps_per_epoch=None,validation_steps=None,validation_freq=1,max_queue_size=10,workers=1,use_multiprocessing=False,**kwargs
)

参数：
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
batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。
epochs：整数，训练终止时的epoch值，训练将在达到该epoch值时停止，当没有设置initial_epoch时，它就是训练的总轮数，否则训练的总轮数为epochs - inital_epoch
verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
callbacks：list，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数
validation_split： 0，1之间的浮点数。分割部分数据用于验证，其余用于训练。当x是dataset, dataset iterator, generator or keras.utils.Sequence时该参数不可用。
validation_data：指定验证集数据：(x_val, y_val)、（x_val, y_val, val_sample_weights)；dataset or a dataset iterator两种数据对于上面两种情况要指定validation_steps。
class_weight：指定权值分配，可以突出重点关注的类别。（对损失函数加权）
sample_weight：样本加权，对损失函数加权，以获得更好的结果。这里可以是numpy数组，必须保障shape是和传入数据大小一致。应该确保在compile()中指定sample_weight_mode=“temporal”，dataset, dataset iterator, generator, or keras.utils.Sequence不支持该参数。
initial_epoch: 整数。开始训练的epoch（对于恢复以前的训练运行很有用）。
steps_per_epoch: 每个epoch的迭代步数。
validation_steps：
validation_freq: 指定验证的epoch，可以为整数或者列表：如：[1,2,10]。

tf.keras.Model.fit_generator:在数据生成器上拟合模型，可以减少内存消耗

fit_generator(generator,steps_per_epoch=None,epochs=1,verbose=1,callbacks=None,validation_data=None,validation_steps=None,validation_freq=1,class_weight=None,max_queue_size=10,workers=1,use_multiprocessing=False,shuffle=True,initial_epoch=0
)

这里传入的数据必须是生成器（yield），如：

def generate_arrays_from_file(path):while 1:f = open(path)for line in f:# create numpy arrays of input data# and labels, from each line in the filex1, x2, y = process_line(line)yield ({'input_1': x1, 'input_2': x2}, {'output': y})f.close()model.fit_generator(generate_arrays_from_file('/my_file.txt'),steps_per_epoch=10000, epochs=10)

tf.keras.Model.get_layer:获取图层：根据其名称（唯一）或索引检索图层

get_layer(name=None,index=None
)

tf.keras.Model.load_weights:从TensorFlow或HDF5文件加载所有图层权重

load_weights(filepath,by_name=False
)

tf.keras.Model.predict:预测

predict(x,batch_size=None,verbose=0,steps=None,callbacks=None,max_queue_size=10,workers=1,use_multiprocessing=False
)

参数：

x：Numpy数组（或类数组）或数组列表、TensorFlow张量或张量列表、数据集或数据集的迭代、生成器或keras.utils.Sequence实例

tf.keras.Model.predict_generator:以生成器传入数据进行预测

predict_generator(generator,steps=None,callbacks=None,max_queue_size=10,workers=1,use_multiprocessing=False,verbose=0
)

tf.keras.Model.predict_on_batch:单批次样本进行预测

predict_on_batch(x)

tf.keras.Model.test_on_batch:单批次样本进行测试

train_on_batch(x,y=None,sample_weight=None,class_weight=None,reset_metrics=True
)

tf.keras.Model.train_on_batch:单批次样本进行训练

train_on_batch(x,y=None,sample_weight=None,class_weight=None,reset_metrics=True
)

tf.keras.Model.reset_metrics:指标的状态

如果True，返回的指标仅适用于此批次。如果False，指标将在批次之间有状态地累积。

tf.keras.Model.reset_states:重置状态,需要连续`****`调用的时候最好使用resets_states()

tf.keras.Model.save:保存模型

save(filepath,overwrite=True,include_optimizer=True,save_format=None
)

将模型保存到Tensorflow SavedModel或单个HDF5文件。
保存文件包括：
1、模型体系结构，允许重新实例化模型。
2、模型权重。
3、优化器的状态，允许您从中断的位置恢复训练。

参数：

filepath：字符串，模型保存的位置
overwrite：是否静默覆盖目标位置的现有文件，或者为用户提供手动提示
include_optimizer：如果为True，则将优化器的状态保存在一起
save_format：保存的类型，‘tf’，‘h5’，目前tf已经禁用了（tensorflow2.0中）

from keras.models import load_modelmodel.save('my_model.h5')  # creates a HDF5 file 'my_model.h5'
del model  # deletes the existing model
# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')

tf.keras.Model.save_weights:保存所有图层权重

save_weights(filepath,overwrite=True,save_format=None
)

tf.keras.Model.summary:打印网络的字符串摘要

summary(line_length=None,positions=None,print_fn=None
)

参数：
line_length：打印行的总长度（例如，将其设置为使显示适应不同的终端窗口大小）。
positions：每行中日志元素的相对或绝对位置。如果未提供，则默认为[.33, .55, .67, 1.]。
print_fn：打印功能。默认为print。它将在摘要的每一行上调用。您可以将其设置为自定义函数以捕获字符串摘要。

tf.keras.Model.to_json:返回包含网络配置的JSON字符串

要从保存文件JSON加载网络，请使用keras.models.model_from_json(json_string, custom_objects={})。

tf.keras.Model.to_yaml:返回包含网络配置的yaml字符串

要从yaml保存文件加载网络，请使用 keras.models.model_from_yaml(yaml_string, custom_objects={})。