1.tf以下の一般的に使用されるAPI（以下は、主に処理データを定義するために、より一般的に使用されます）
1. tf.constant、tf.variable（.assign、.assign_add、
.assign_subなど、定数よりも多くの属性があります。これらの属性は、値をvar変数自体に直接返します。つまり、値を直接変更します）、
tf .string、tf.range、tf.ones、tf.zeros、tf.linespace; tf.meshgrid.tf.RaggedTensor;定義データ
2、tf.fill、tf.shape、tf.one_hot、tf.sort、tf.split、tf.stack、tf.concat、tf.reshape、tf.squeeze、tf.reverse、
tf.tanspose、tf.unique;グラフ数
3. tf.random.normal、tf.random.shuffle、tf.random.uniform;乱数を定義します
4.tf.function;操作関数
5. tf.device;データを計算するデバイス（GPUまたはCPU）を指定します
6. tf.GradientTape、tf.gradients、tf.stop_gradient;カスタムトレーニングで使用する場合の明示的な微分
次に、tf.audio一般的に使用されるAPI
1. tf.audio.decode_wav; WAV形式のオーディオファイルをフロートテンソルに解析します。shape=（length、channels）
2.tf.audio.encode_wav;上記のfloatタイプのテンソルをWAV形式のオーディオファイルにエンコードします
3、tf.autograph一般的に使用されるAPI
1. tf.autograph.to_graph;通常のPythonプログラムをtf計算グラフに変換するため、関数の効率が向上します。
2. tf.autograph.to_code; to_graphに似ていますが、プログラムコードを文字列の形式で返します。
第四にtf.compat、（互換性自体は互換性を意味します）の下で一般的に使用されるAPI
1. tf.compat.as_bytes; unicodeまたはbytesarray、バイトをバイトに変換します
2.tf.compat.as_text;文字列のようなデータをUnicodeに変換します
3.tf.compat.as_str_any;入力をstrタイプに変換します
4. tf.compat.v1、tf.compat.v2;これら2つは、tf1.xおよびtf2.xのコードと互換性があるために使用されます。つまり、v1またはv2の直下で独自のバージョンのこの関数を呼び出すことができます。 。v1。= tf1。; v2。= tf2 .;これらはルートスペースです
5、tf.cofig一般的に使用されるAPI（主にGPUまたはCPU設定に使用）
6、tf.data（主にデータセットの生成と操作に使用される）で一般的に使用されるAPI
1. tf.data.Datasetで一般的に使用されるAPI、つまり、生成されたデータセットが実行できるメソッド
apply、batch、concatenate、enumerate、filter、from_generator、from_tensor_slices、
from_tensors、Interval、map、range、repeat、shuffle、take 、スキップ
2. tf.data.TextLineDatasetで一般的に使用されるAPI。ファイル内の各行を解析してデータセットを生成するために使用されます。データセットを生成した後の関数は、1とまったく同じです。
3. TFRecordファイルを解析してデータセットを生成するために使用されるtf.data.TFRecordDatasetで一般的に使用されるAPI。データセットを生成した後の関数は、1の関数とまったく同じです。
7.以下でtf.distribute一般的に使用されるAPI（主に分散トレーニング用の分散戦略が含まれます）
1、tf.distribute.MirroredStrategy
2、tf.distribute.experimental.CentralStorageStrategy
3、tf.distribute.experimental.MultiWorkerMirroredStrategy
4、tf.distribute.experimental.ParameterServerStrategy
5、tf.distribute.experimental.TPUStrategy
8.以下でtf.dtypes一般的に使用されるAPI（主にデータ型変換に使用）
1. tf.dtypes.as_dtype（type_value）;指定されたタイプ値をDTypeに変換します。DTypeの主な値は次のとおりです。
2.tf.dtypes.cast;データ型変換を実行します
3. tf.dtypes.complex;指定された2つの数値を複素数に結合します（1つの実数部、1つの虚数部）
9、tf.estimator一般的に使用されるAPI（これは高レベルのAPIであり、独自のモデルを構築する必要はありません。データを入力し、分類カテゴリを指定するなどの必要があります。それを呼び出すだけ.train(),.evaluate(),.predict()です。主に便宜上です。モデルのトレーニング、評価、および予測の概要。Estimatorの下に多数あります）
1、tf.estimator.add_metrics（estimator、metric_fn）；往推定量中添加メトリック
2、tf.estimator.BaselineClassifier、tf.estimator.BaselineRegressor、tf.estimator.BaselineEstimator
3、tf.estimator.DNNClassifier、tf.estimator.DNNEstimator 、tf.estimator.DNNRegressor
4、tf.estimator.LinearClassifier、tf.estimator.LinearEstimator、tf.estimator.LinearRegressor
10.以下でtf.feature_column一般的に使用されるAPI（主に、多くの離散値を持つこれらの機能を処理し、それらを0,1コードに変換するため）
1、tf.feature_column.categorical_column_with_vocabulary
2、tf.feature_column.indicator_column
3、tf.feature_column.crossed_column
4、tf.feature_column.numeric_column
11. tf.image（主に画像データまたは画像の処理）で一般的に使用されるAPI
1. tf.image.adjust_brightness、tf.image.adjust_contrast、tf.image.adjust_gamma、明るさを調整する、等
2. tf.image.central_crop、tf.image.crop_and_resize、tf.image.crop_to_bounding_box;収穫
3 TF。 image。draw_bounding_boxes;複数のアンカーボックスを描画できます
4、tf.image.flip_left_right、tf.image.flip_up_down;フリップイメージ
5、tf.image.grayscale_to_rgb、tf.image.hsv_to_rgb、tf.image.rgb_to_grayscale;カラードメイン変換
6、 tf .image.random_flip_left_right、tf.image.random_crop;ランダム操作
7、tf.image.resize、tf.image.ResizeMethod.BILINEAR; ResizeMethodには多くのサイズ変更メソッドがあります
12、tf.io（主にファイル（画像、テキストなど）またはテナーを解析またはエンコードまたはシリアル化するために）で一般的に使用されるAPI
1. tf.io.decode_gif、tf.io.decode_jpeg、tf.io.decode_image ...;画像をデコードします
2.tf.io.decode_csv、tf.io.read_file、tf.io.write_file;読み取り、書き込み、ファイルの解析
3.tf.io.serialize_sparse、tf.io.serialize_tensor;シリアル化操作
4. tf.io.TFRecordOptions、tf.io.TFRecordWriter; TFRecordファイルの操作
5.tf.io.gfile。（listdir、makedirs、remove 、名前の変更、存在、コピー）（使いやすい）
13、tf.keras一般的に使用されるAPI（強調、主にmodel，layers関連）
1. tf.keras.Input;モデルにデータを入力するために使用されるkerasテンソルを初期化し、データの形状、データ型、その他の情報を指定します。もちろん、一般的な計算にも使用できますが、あまり使われていません。主な使用法は、2の最初の例に示すように、モデルを作成することです。
2. tf.keras.Model;主にモデルの構築に使用されます。モデルを構築するには、次の2つの方法があります。
①inputs = tf.keras.Input(shape=(3,))
x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
outputs = tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)
②import tensorflow as tf
class MyModel(tf.keras.Model):
def __init__(self):
super(MyModel, self).__init__()
self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)
def call(self, inputs):
x = self.dense1(inputs)
return self.dense2(x)
model = MyModel()
次に、モデルのさまざまな属性を呼び出すことができます：
model.layers、model.metrics_names
方法：model.compile、evaluate、evaluate_generator、fit、fit_generator、summarypredict
、predict_generator、save、save_weights、load_weights、reset_states、reset_metrics
history = model.fit（）、history = model.fit_generator（）、history.history [lossまたはaccまたはval_lossまたはval_acc]、これは辞書です
予測=モデル.predict（）、予測=モデル.predict_generator（）、それは形状などの予測結果であり、その形状を確認できます：predict.shape =（num_samples、num_class）、これは分類の出力です問題
3. tf.keras.Sequential;は、モデルを格納し、モデルオブジェクトを返す線形スタックですが、レイヤーを追加および削除するための2つのモデルよりも2つのメソッドがあります：add、pop
4. tf.keras.activations.softmax、tf.keras.activations.relu、tf.keras.activations.tanh;
tf.nn.softmax、tf.nn.sigmoid、tf.nn.relu、tf.nn.tanh。 ..;アクティベーション関数を定義する
5. tf.keras.applications.VGG16、tf.keras.applications.ResNet50 ...;定義されたモデルを直接呼び出す
6. tf.keras.backend;は、kerasに提供されるバックエンドAPIです。いわゆるバックエンドは、いくつかの基本的な操作、つまり数学的な計算方法です。kerasは高レベルのAPIであるため、これらの基本的な操作はありません。これは、tf.mathの数学演算方法に近いものです。
7. tf.keras.callbacks.EarlyStopping、tf.keras.callbacks.ModelCheckpoint、
tf.keras.callbacks.TensorBoard; tf.keras.callbacks.LearningRateScheduler
コールバック関数は、トレーニングの特定の段階で呼び出される関数のセットです。コールバック関数を使用して、トレーニングプロセス中にネットワークの内部状態と統計情報を監視できます。コールバック関数リストをモデルの.fit（）に渡すことにより、関数セット内の関数を特定のトレーニング段階で呼び出すことができます。これはLearningRateSchedulerの例ですが、それでも非常に鮮やかです。
def scheduler(epoch):
if epoch < 10:
return 0.001
else:
return 0.001 * tf.math.exp(0.1 * (10 - epoch))
callback = tf.keras.callbacks.LearningRateScheduler(scheduler)
model.fit(data, labels, epochs=100, callbacks=[callback],
validation_data=(val_data, val_labels))
8. tf.keras.datasets;主にfashion_minist、cifa10、minist、cifa100などの一部のデータセットをダウンロードするために使用されます。呼び出し形式は次のとおりです
。fashion_minist= keras.datasets.fashion_minist、fashion_minist.load_data（）
9. tf.keras.estimator.model_to_estimator; kerasモデルを推定量に変換するために使用されます。tf.estimatorにはそのような関数はなく、この場所にのみあることに注意してください。
10. tf.keras.initializers;主にデータの初期化、初期化またはシリアル化/逆シリアル化インスタンスの作成に使用されます。呼び出し形式は次のとおりです：tf.keras.layers.Dense（32、activation = 'relu'、kernel_initializer = tf。 keras.initializers.glorot_normal））
11. tf.keras.layers.Dense、tf.keras.layers.Conv2D、tf.keras.layers.MaxPool2D、tf.keras.layers.Flatten;
tf.nn.avg_pool、tf.nn.conv2d、tf.nn。ドロップアウト、tf.nn.max_pool ...;
畳み込み層、完全接続、平坦化層、プーリング層など、さまざまなネットワーク層があります。
12. tf.keras.losses.MSE、tf.keras.losses.sparse_categorical_crossentropy;損失関数
tf.nn.nce_loss、tf.nn.l2_loss、tf.nn.sampled_softmax_loss ...を定義します。
13. tf.keras.metrics;以下にエラーと精度を計算するためのさまざまな関数もあります。エラー関数はtf.keras.lossesの関数と似ていますが、使用法が異なります。前者によって返されるオブジェクトには、使用可能な多くの属性があります。 、後者は単なる値を返します（metircsの関数は、リセットされる前に毎回更新されるデータを自動的に加算することに注意してください。この加算の理解は、最後の計算結果がカウントされず、現在のすべてが加算されることと同じです。 data立ち上がって、指定した方法に従って再計算します。したがって、Meanを使用すると、最終的な計算はすべてのデータの平均になります。Sumの場合、すべてのデータの合計は次のようになります。計算された）。
コンパイルでは、メトリックに追加されたパラメーターは、トレーニングおよびテスト中にモデルを監視するために使用されます。つまり、測定結果は履歴に保存され、損失は、勾配の更新など、トレーニングに実際に使用される関数です。
主に含まれるもの：精度、カテゴリ精度、カテゴリ精度、平均、合計
model.compile('sgd', loss=tf.keras.losses.SparseCategoricalCrossentropy())
model.compile('sgd', loss='mse',metrics=[tf.keras.metrics.SparseCategoricalCrossentropy()])
tf.losses、tf.metrics、およびtf.optimizersの下のAPIは使用されなくなり、すべてtf.keras.losses、tf.keras.metrics、およびtf.keras.optimizersに移動されることに注意してください。
14. tf.keras.models;主にsave、load、clone model;
およびtf.keras.models.model_from_config、json、yamlが含まれます
15. tf.keras.optimizers.SGD、tf.keras.optimizers.Adam、オプティマイザーを定義します;
tf.keras.optimizers.schedules.LearningRateSchedule、学習率lr減衰器を定義します
16. tf.keras.preprocessing;データの前処理。主に画像を読み取るためのAPIを使用して、最初の3行：
ディレクトリまたはデータフレームからの画像の読み取り、ランダムな明るさのトリミング、回転、スケーリングなどを
含みます。tf.keras.preprocessing .image.ImageDataGenerator、
tf.keras.preprocessing.image.load_img、
tf.keras.preprocessing.image.random_brightness、
tf.keras.preprocessing.image.random_rotation
tf.keras.preprocessing.image.random_shear、
tf.keras.preprocessing。 image.random_zoom
tf .keras.preprocessing.sequence、
tf.keras.preprocessing.text;
train_datagen = keras.preprocessing.image.ImageDataGenerator(
rescale = 1./255,
rotation_range = 40,
width_shift_range = 0.2,
height_shift_range = 0.2,
shear_range = 0.2,
zoom_range = 0.2,
horizontal_flip = True,
fill_mode = 'nearest',)
train_generator = train_datagen.flow_from_dataframe(
train_df,
directory = './',
x_col = 'filepath',
y_col = 'class',
classes = class_names,
target_size = (height, width),
batch_size = batch_size,
seed = 7,
shuffle = True,
class_mode = 'sparse',)
train_generator = train_datagen.flow_from_directory(
train_dir,
target_size = (height, width),
batch_size = batch_size,
seed = 7,
shuffle = True,
class_mode = "categorical")
## ImageDataGeneratorは、読み取られた画像の前処理のみを定義しますが、現時点では、フォルダーから読み取るかデータフレームから読み取るかがわかりません。データフレームから読み取る場合、データフレームの構造は2つである必要があります。Onefeature_column 、1つは各画像のパスで、もう1つは画像のカテゴリです（以下を参照）。
[（ './cifar10/train/1.png'、 'カエル'）、
（'./cifar10/train/2.png'、 'トラック'）、
（'./cifar10/train/3.png'、 'truck'）、
（ './ cifar10 / train / 4.png'、 'deer'）、
（ './ cifar10 / train / 5.png'、 'automobile'）]
[（ './cifar10/test/ 1.png '、' cat '）、
（' ./cifar10/test/2.png '、' cat '）、
（' ./cifar10/test/3.png '、' cat '）、
（' ./ cifar10 / test / 4.png '、' cat '）、
（' ./cifar10/test/5.png '、' cat '）]
17. tf.keras.regularizers;主に正則化を実現するために使用される正則化は、目的関数の後に項目を追加することです。これにより、目的関数の最良の利点の選択に影響を与え、過剰適合を防ぐことができます。主に次のAPIがあります：
tf.keras.regularizers.l1、tf.keras.regularizers.l2、tf.keras.regularizers.l1_l2、tf.keras.regularizers.L1L2
18、tf.keras.utils：tf.keras.utils.get_file、tf.keras.utils.normalize
15.以下でtf.nn一般的に使用されるAPI
それはtf.kerasの下でいくつかのレイヤーと損失に非常に近いです、それは比較のためにtf.kerasで書かれています
16.以下でtf.ragged一般的に使用されるAPI
tf.ragged.constant、tf.ragged.stack、tf.ragged.range;いわゆる不規則テンソルは、たとえば2次元行列であり、各行に異なる数の要素を持たせることができます。
17.以下でtf.random一般的に使用されるAPI
tf.random.categorical、tf.random.normal、tf.random.gamma、tf.random.shuffle、
tf.random.uniform;正規分布を含むいくつかの乱数を定義するために使用されます
18.以下でtf.saved_model一般的に使用されるAPI
tf.saved_model.save、tf.saved_model.load;モデルの保存と読み込みに使用され、tf.keras.modelsの下にもあります
19. tf.signal（デジタル信号処理関連機能）で一般的に使用されるAPI
fft、fft2d、fft3d、ifft、ifft2d、ifft3d； fftshift、ifftshift； hamming_window、hann_window；
irfft、irfft2d、irfft3d、rfft、rfft2d、rfft3d等等
20.tf.sparse一般的に使用されるAPI（主に処理に使用されますsparsetensor）
1、定义sparsetensor：tf.sparse.SparseTensor
tf.sparse.SparseTensor（indices = [[0、0]、[1、2]]、values = [1、2]、dense_shape = [3、4]）
2、操作sparsetensor：to_dense、to_indicator、split、transpose、reshape、maximum、expand_dims、reduce_sum、reduce_max、add、concat等等
21.以下でtf.string一般的に使用されるAPI（主に文字列の定義と操作に使用されます）
as_string、bytes_split（バイトで分割）、format、join、split、strip、lower、upper、to_number、Substr
22.以下でtf.test一般的に使用されるAPI（主にGPU関連情報を表示するために使用されます）
tf.test.is_gpu_available、tf.test.gpu_device_name、tf.test.is_built_with_cuda