tensorflow+keras杂话

前言：
现在需要用到tensorflow+keras，有一些遇到的问题在此记录，内容随时更新可能会非常杂乱，也许会整理。

版本对应问题

从TensorFlow 2.3开始可以使用tensorflow.keras来导入Keras，即可以

import tensorflow as tf
import tensorflow.keras as keras
# 通常会直接从keras中导入模型使用，即：
from tensorflow.keras import Sequential
# 可以直接导入贯序模型使用

以下列出tensorflow、keras和python的几个常用较低版本的对应关系：（详细完整的对应关系见官方文档）

交叉熵损失函数

直接调用compile使用自定义的加权交叉熵损失函数作为loss时，keras接收的是一个batch_size大小的tensor对象，因此在初用时遇到定义时没问题但fit时compile收到报错：Incompatible shapes: [100,1] vs. [159999,1]（这里我的batch_size是100，样本个数159999也即自定义的损失函数输出了一个159999维的向量，这里应该要让损失函数的输出维度等于1——即计算这159999个数的均值再输出，然后模型会将batch_size个均值以向量形式一次输出作为一个epoch的损失）。

接下来又发现，直接用tf.keras.losses.binary_crossentropy()是可以的，即：

def my_loss(y_true, y_pred):
    return keras.losses.binary_crossentropy(y_true,y_pred)*lamda

正常运行（其中lamda是全局变量）
发现网上大家普遍有两种调用交叉熵损失函数的方法，用到了两个不同的keras定义的交叉熵损失函数：

1. tf.keras.losses.binary_crossentropy()
2. tf.keras.backend.binary_crossentropy()

tf.keras.losses.binary_crossentropy()是通过调用tf.keras.backend.binary_crossentropy()来工作的，以下为官方文档提供的源码说明中的关键部分：源码地址

即可以理解为：

from keras import backend as K

tf.keras.losses.binary_crossentropy(): 
	return K.mean( K.binary_crossentropy() )

而backend.binary_crossentropy()的完整计算过程为：（红框为关键部分）


可以发现计算公式为：（公式图片来源知乎（懒得自己写了））

tensorflow中填充tensor的方法

背景： 我在自定义的损失函数最后计算损失时，由于最后一个批次的数量不足一个batch_size的大小，因此在做损失累加时会出错，因此需要在计算loss时将tensor重构为尺寸是[batch_size,1]的tensor。
需求： 将一个[15,1]的Tensor转为一个[16,1]的Tensor。

要实现需求，需要的函数是tensorflow.pad()，首先感谢这位博主对tensor维度操作的总结及绘图：博文地址

以下提炼以下tensorflow.pad()的用法：

import tensorflow as tf

最后

以上就是陶醉鲜花为你收集整理的tensorflow+keras杂话的全部内容，希望文章能够帮你解决tensorflow+keras杂话所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。