Tensorflow的核心与NumPy非常相似，但具有GPU支持；
Tensorflow支持分布式计算（跨多个设备和服务器）。
@运算符是在Python 3.5 中添加的，用于矩阵乘法，等效于 tf.matmul() 函数。
Keras的底层API
Keras API在keras.backend中有自己的底层API，如果要编写可移植到其他Keras实现中的代码，则应使用这些Keras函数。
from tensorflow import keras K = keras.backend K.square(K.transpose(t)) + 10
当从NumPy数组创建张量时，需设置 dtype=tf.float32；
实现Huber损失：
def huber_fn(y_true, y_pred): error = y_true - y_pred is_small_error = tf.abs(error) < 1 squared_loss = tf.square(error) / 2 linear_loss = tf.abs(error) - 0.5 return tf.where(is_small_error, squared_loss, linear_loss)
编译Keras模型，训练模型：
model.compile(loss=huber_fn, optimizer="nadam") model.fit(X_train, y_train, [...])
当加载包含自定义对象的模型时，需要将名称映射到对象。
model = keras.models.load_model("my_model_with_a_custom_loss.h5",custom_objects={<!--{cke_protected}{C}%3C!%2D%2D%20%2D%2D%3E-->"huber_fn": huber_fn})创建一个函数，该函数创建已配置的损失函数：
def create_huber(threshold=1.0): def huber_fn(y_true, y_pred): error = y_true - y_pred is_small_error = tf.abs(error) < threshold squared_loss = tf.square(error) / 2 linear_loss = threshold * tf.abs(error) - threshold**2 / 2 return tf.where(is_small_error, squared_loss, linear_loss) return huber_fn model.compile(loss=create_huber(2.0), optimizer="nadam")
在加载模型的时候必须指定阈值：
model = keras.models.load_model("my_model_with_a_custom_loss.h5",custom_objects={"huber_fn": create_huber(2.0)})
通过创建 keras.losses.Loss 类的子类，然后实现其 get_config() 方法来解决此问题：
class HuberLoss(keras.losses.Loss):
def __init__(self, threshold=1.0, **kwargs):
self.threshold = threshold
super().__init__(**kwargs)
def call(self, y_true, y_pred):
error = y_true - y_pred
is_small_error = tf.abs(error) < self.threshold
squared_loss = tf.square(error) / 2
linear_loss = self.threshold * tf.abs(error) - self.threshold**2 / 2
return tf.where(is_small_error, squared_loss, linear_loss)
def get_config(self):
base_config = super().get_config()
return {**base_config, "threshold": self.threshold}
以上父类构造函数处理标准超参数：损失的name和用于聚合单个实例损失的reduction算法。
get_config() 方法返回一个字典，将每个超参数映射到其值。首先调用父类的get_config() 方法，然后将新的超参数添加到此字典中。
可在编译模型时使用此类的任何实例：
model.compile(loss=HuberLoss(2.),optimizer="nadam")
当保存模型的时候，阈值会同时一起保存。在加载模型时，只需要将类名映射到类本身：
model = keras.models.load_model("my_model_with_a_custom_loss.h5",custom_objects={<!--{cke_protected}{C}%3C!%2D%2D%20%2D%2D%3E-->"HuberLoss": HuberLoss})保存模型时，Keras会调用损失实例的 get_config() 方法，并将配置以 JSON 格式保存到 HDF5 文件中。
编写简单的函数进行自定义
def my_softplus(z): return tf.math.log(tf.exp(z)+1.0) def my_glorot_initializer(shape, dtype=tf.float32): stddev = tf.sqrt(2. / (shape[0] + shape[1])) return tf.random.normal(shape, stddev=stddev, dtype=dtype) def my_l1_regularizer(weights): return tf.reduce_sum(tf.abs(0.01 * weights)) def my_positive_weights(weights): # return value is just tf.nn.relu(weights) return tf.where(weights < 0., tf.zeros_like(weights), weights)
使用这些自定义函数
layer = keras.layers.Dense(30, activation=my_softplus, kernel_initializer=my_glorot_initializer, kenel_regularizer=my_l1_regularizer, kenel_constraint=my_positive_weights)
在每个训练步骤中，权重将传递给正则化函数，以计算正则化损失，并将其添加到主要损失中得到用于训练的最终损失。
必须为损失、层（包括激活函数）和模型实现 call() 方法，或者为正则化、初始化和约束实现 __call__()方法。
可以将创建的损失函数作为指标。
model.compile(loss="mse", optimizer="nadam", metrics=[create_huber(2.0)])
流式指标（状态指标）是逐批次更新的。
创建不带任何权重的自定义层：
exponential_layer = keras.layers.Lambda(lambda x: tf.exp(x))
class MyDense(keras.layers.Layer):
# 将所有超参数用作参数
def __init__(self, units, activation=None, **kwargs):
super().__init__(**kwargs)
self.units = units
self.activation = keras.activations.get(activation)
# 创建层的变量
def build(self, batch_input_shape):
self.kernel = self.add_weight(
name="kernel", shape=[batch_input_shape[-1], self.units],
initializer="glorot_normal")
self.bias = self.add_weight(
name="bias", shape=[self.units], initializer="zeros")
super().build(batch_input_shape) # must be at the end
# 调用父类方法，告诉keras这一层被构建了，设置 self.built=true
def call(self, X):
return self.activation(X @ self.kernel + self.bias)
def compute_output_shape(self, batch_input_shape):
return tf.TensorShape(batch_input_shape.as_list()[:-1] + [self.units])
def get_config(self):
base_config = super().get_config()
return {**base_config, "units": self.units,
"activation": keras.activation.serialize(self.activation) }
创建多输入，多输出的层：
class MyMultiLayer(keras.layers.Layer): def call(self, X): X1, X2 = X return [X1 + X2, X1 * X2, X1 / X2] def compute_output_shape(self, batch_input_shape): b1, b2 = batch_input_shape return [b1, b1, b1]
如果层在训练期间和测试期间需要具有不同的行为，比如，创建一个在训练期间（用于正则化）添加高斯噪声，但在测试期间不执行任何操作：
class MyGaussianNoise(keras.layers.Layer): def __init__(self, stddev, **kwargs): super().__init__(**kwargs) self.stddev = stddev def call(self, X, training=None): if training: noise = tf.random.normal(tf.shape(X), stddev=self.stddev) return X + noise else: return X def compute_output_shape(self, batch_input_shape): return batch_input_shape
首先创建一个 ResidualBlock 层：
class ResidualBlock(keras.layers.Layer): def __init__(self, n_layers, n_nerons, **kwargs): super().__init__(**kwargs) self.hidden = [keras.layers.Dense(n_nerons, activation="elu", kenel_initializer="he_normal") for _ in range(n_layers)] def call(self, inputs): Z = inputs for layer in self.hidden: Z = layer(Z) return inputs + Z
使用子类API定义模型：
class ResidualRegressor(keras.Model): def __init__(self, output_dim, **kwargs): super().__init__(**kwargs) self.hidden1 = keras.layers.Dense(30, activation="elu", kernel_initializer="he_normal") self.block1 = ResidualBlock(2, 30) self.block2 = ResidualBlock(2, 30) self.out = keras.layers.Dense(output_dim) def call(self, inputs): Z = self.hidden1(inputs) for _ in range(1 + 3): Z = self.block1(Z) Z = self.block2(Z) return self.out(Z)
class ReconstructingRegressor(keras.Model): def __init__(self, output_dim, **kwargs): super().__init__(**kwargs) self.hidden = [keras.layers.Dense(30, activation="selu", kernel_initializer = "lecun_normal") for _ in range(5)] self.out = keras.layers.Dense(output_dim) def build(self, batch_input_shape): n_inputs = batch_input_shape[-1] self.reconstruct = keras.layers.Dense(n_inputs) # 该层用于重建模型的输入 super().build(batch_input_shape) def call(self, inputs): Z = inputs for layer in self.hidden: Z = layer(Z) reconstruction = self.reconstruct(Z) recon_loss = tf.reduce_mean(tf.square(reconstruction - inputs)) self.add_loss(0.05 * recon_loss) return self.out(Z)
正则化，在输入变化不大时惩罚那些变化很大的激活。
