Keras 概述
10min熟悉一下
导入tf.keras
tf.keras是TensorFlow对Keras API规范的实现。这是一个用于构建和训练模型的高级API，其中包括对TensorFlow特定功能的一流支持，例如eager execution，tf.data和估计器。tf.keras使TensorFlow更易于使用，而不牺牲灵活性和性能。
开始，导入tf.keras作为TensorFlow程序设置的一部分
import tensorflow as tf //1
from tensorflow import keras //2上面描述1行，后面都采用这种描述，请读者注意一下，
tf.keras可以运行任何与Keras兼容的代码，但请记住：
这个tf.keras最新的TensorFlow版本可能与PyPI的最新keras版本不同。tf.keras.version版本.
当保存模型的权重时，tf.keras默认为检查点格式。Pass save_format=“h5”以使用HDF5（或传递以.h5结尾的文件名）。
建立一个简单的模型
Sequential模型
在Keras中，您可以组装层来构建模型。模型通常是一个层次图。最常见的模型类型是一堆层：tf.keras.Sequential。
要构建一个简单、完全连接的网络（即多层感知器）：
tf.keras.Sequential(
layers=None, name=None
)例如建立一个例子model
from tensorflow.keras import layers
model = tf.keras.Sequential()
# 将具有64个单元的密集连接层添加到模型中，激活
model.add(layers.Dense(64, activation='relu'))
# 将具有64个单元的密集连接层添加到模型中，激活
model.add(layers.Dense(64, activation='relu'))
# 添加具有10个输出单位的输出层
model.add(layers.Dense(10))配置图层
有很多tf.keras.层可用。大多数都有一些共同的构造函数参数：
激活：设置层的激活功能。此参数由内置函数的名称或可调用对象指定。默认情况下，不应用激活。
kernel_initializer和bias_initializer：创建层权重（kernel和bias）的初始化方案。此参数是名称或可调用对象。内核默认为“Glorot uniform”初始值设定项，而偏移默认为零。
核正则化和偏倚正则化：应用层的权重（核和偏倚）的正则化方案，如L1或L2正则化。默认情况下，不应用正则化。
# Create a relu layer:
layers.Dense(64, activation='relu')
# Or:
layers.Dense(64, activation=tf.nn.relu)
# A linear layer with L1 regularization of factor 0.01 applied to the kernel matrix:
layers.Dense(64, kernel_regularizer=tf.keras.regularizers.l1(0.01))
# A linear layer with L2 regularization of factor 0.01 applied to the bias vector:
layers.Dense(64, bias_regularizer=tf.keras.regularizers.l2(0.01))
# A linear layer with a kernel initialized to a random orthogonal matrix:
layers.Dense(64, kernel_initializer='orthogonal')
# A linear layer with a bias vector initialized to 2.0s:
layers.Dense(64, bias_initializer=tf.keras.initializers.Constant(2.0))训练和执行
model = tf.keras.Sequential([
# Adds a densely-connected layer with 64 units to the model:
layers.Dense(64, activation='relu', input_shape=(32,)),
# Add another:
layers.Dense(64, activation='relu'),
# Add an output layer with 10 output units:
layers.Dense(10)])
#模型设置为优化器为adam，loss损失函数为交叉熵损失函数
model.compile(optimizer=tf.keras.optimizers.Adam(0.01),
loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])tf.keras.Model.compile有三个重要参数：
优化器：这个对象指定训练过程。从中传递it优化器实例tf.keras.优化器模块，例如tf.keras.优化器.亚当或tf.keras.优化器.中士。如果只想使用默认参数，还可以通过字符串（如“adam”或“sgd”）指定优化器。
损失：优化过程中最小化的函数。常见的选择包括均方误差（mse）、分类交叉熵和二元交叉熵。损失函数是通过名称指定的，或者通过从tf.keras.损失模块。
指标：用于监控培训。这些是来自tf.keras.度量模块。
此外，为了确保模型训练并急切地求值，您可以确保将run_ghtly=True作为要编译的参数传递。
或者定义为下面的
设置训练和lables
import numpy as np
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))
model.fit(data, labels, epochs=10, batch_size=32)tf.keras.Model.fit有三个重要论点：
epoch：训练分为时代。epoch是对整个输入数据的一次迭代（这是在较小的批处理中完成的）。
batch_size：当传递NumPy数据时，模型将数据分割成较小的批次，并在训练期间在这些批上迭代。此整数指定每个批次的大小。请注意，如果样本总数不能被批次大小整除，则最后一批可能会更小。
validation_data：在对模型进行原型设计时，您希望能够轻松地监视模型在某些验证数据上的性能。传递这个参数（输入和标签的元组）允许模型在每个历元结束时以推理模式显示传递数据的丢失和度量
import numpy as np
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))
val_data = np.random.random((100, 32))
val_labels = np.random.random((100, 10))
model.fit(data, labels, epochs=10, batch_size=32,
validation_data=(val_data, val_labels))实例化数据集实例
tf.data.Dataset
使用Datasets API扩展到大型数据集或多设备培训。通过atf.data.Dataset数据集拟合方法的实例：
评估和预测
这个tf.keras.Model.evaluate和tf.keras.Model.predict方法可以使用NumPy数据和tf.data.Dataset数据集.
以下是如何评估所提供数据的推理模式损失和度量：
# With Numpy arrays
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))
model.evaluate(data, labels, batch_size=32)
# With a Dataset
dataset = tf.data.Dataset.from_tensor_slices((data, labels))
dataset = dataset.batch(32)
model.evaluate(dataset)