后端工具

`clear_session` 函数

tf_keras.backend.clear_session()

重置 TF-Keras 生成的所有状态。

TF-Keras 管理着一个全局状态，用于实现函数式模型构建 API 和使自动生成的层名称唯一。

如果您在循环中创建许多模型，此全局状态会随着时间的推移消耗越来越多的内存，此时您可能希望清除它。调用 clear_session() 会释放全局状态：这有助于避免因旧模型和层而造成的混乱，尤其是在内存有限的情况下。

示例 1：在循环中创建模型时调用 clear_session()

for _ in range(100):
  # Without `clear_session()`, each iteration of this loop will
  # slightly increase the size of the global state managed by Keras
  model = tf.keras.Sequential([
      tf.keras.layers.Dense(10) for _ in range(10)])

for _ in range(100):
  # With `clear_session()` called at the beginning,
  # TF-Keras starts with a blank state at each iteration
  # and memory consumption is constant over time.
  tf.keras.backend.clear_session()
  model = tf.keras.Sequential([
      tf.keras.layers.Dense(10) for _ in range(10)])

示例 2：重置层名称生成计数器

>>> import tensorflow as tf
>>> layers = [tf.keras.layers.Dense(10) for _ in range(10)]
>>> new_layer = tf.keras.layers.Dense(10)
>>> print(new_layer.name)
dense_10
>>> tf.keras.backend.set_learning_phase(1)
>>> print(tf.keras.backend.learning_phase())
1
>>> tf.keras.backend.clear_session()
>>> new_layer = tf.keras.layers.Dense(10)
>>> print(new_layer.name)
dense

[源代码]

`floatx` 函数

tf_keras.backend.floatx()

返回默认的浮点类型，以字符串形式表示。

例如：'float16'、'float32'、'float64'。

字符串，当前的默认浮点类型。

示例

>>> tf.keras.backend.floatx()
'float32'

[源代码]

`set_floatx` 函数

tf_keras.backend.set_floatx(value)

设置默认的浮点类型。

注意：不建议将此值设置为 float16 进行训练，因为这很可能导致数值稳定性问题。相反，可以通过调用 tf.keras.mixed_precision.set_global_policy('mixed_float16') 来使用混合精度，即同时使用 float16 和 float32。有关详细信息，请参阅混合精度指南。

参数

value：字符串；'float16'、'float32' 或 'float64'。

示例

>>> tf.keras.backend.floatx()
'float32'
>>> tf.keras.backend.set_floatx('float64')
>>> tf.keras.backend.floatx()
'float64'
>>> tf.keras.backend.set_floatx('float32')

引发

ValueError：如果值为无效。

[源代码]

`image_data_format` 函数

tf_keras.backend.image_data_format()

返回默认的图像数据格式约定。

一个字符串，可以是 'channels_first' 或 'channels_last'。

示例

>>> tf.keras.backend.image_data_format()
'channels_last'

[源代码]

`set_image_data_format` 函数

tf_keras.backend.set_image_data_format(data_format)

设置图像数据格式约定的值。

参数

data_format：字符串。'channels_first' 或 'channels_last'。

示例

>>> tf.keras.backend.image_data_format()
'channels_last'
>>> tf.keras.backend.set_image_data_format('channels_first')
>>> tf.keras.backend.image_data_format()
'channels_first'
>>> tf.keras.backend.set_image_data_format('channels_last')

引发

ValueError：如果 data_format 值无效。

[源代码]

`epsilon` 函数

tf_keras.backend.epsilon()

返回数值表达式中使用的模糊因子值。

一个浮点数。

示例

>>> tf.keras.backend.epsilon()
1e-07

[源代码]

`set_epsilon` 函数

tf_keras.backend.set_epsilon(value)

设置数值表达式中使用的模糊因子值。

参数

value：浮点数。epsilon 的新值。

示例

>>> tf.keras.backend.epsilon()
1e-07
>>> tf.keras.backend.set_epsilon(1e-5)
>>> tf.keras.backend.epsilon()
1e-05
>>> tf.keras.backend.set_epsilon(1e-7)

[源代码]

`is_keras_tensor` 函数

tf_keras.backend.is_keras_tensor(x)

判断 x 是否为 TF-Keras 张量。

“Keras 张量”是由 TF-Keras 层（Layer 类）或 Input 返回的张量。

参数

x：候选张量。

布尔值：参数是否为 TF-Keras 张量。

引发

ValueError：如果 x 不是符号张量。

示例

>>> np_var = np.array([1, 2])
>>> # A numpy array is not a symbolic tensor.
>>> tf.keras.backend.is_keras_tensor(np_var)
Traceback (most recent call last):
...
ValueError: Unexpectedly found an instance of type
`<class 'numpy.ndarray'>`.
Expected a symbolic tensor instance.
>>> keras_var = tf.keras.backend.variable(np_var)
>>> # A variable created with the keras backend is not a TF-Keras tensor.
>>> tf.keras.backend.is_keras_tensor(keras_var)
False
>>> keras_placeholder = tf.keras.backend.placeholder(shape=(2, 4, 5))
>>> # A placeholder is a TF-Keras tensor.
>>> tf.keras.backend.is_keras_tensor(keras_placeholder)
True
>>> keras_input = tf.keras.layers.Input([10])
>>> # An Input is a TF-Keras tensor.
>>> tf.keras.backend.is_keras_tensor(keras_input)
True
>>> keras_layer_output = tf.keras.layers.Dense(10)(keras_input)
>>> # Any TF-Keras layer output is a TF-Keras tensor.
>>> tf.keras.backend.is_keras_tensor(keras_layer_output)
True

[源代码]

`get_uid` 函数

tf_keras.backend.get_uid(prefix="")

将字符串前缀与 TensorFlow 图中的整数计数器关联起来。

参数

prefix：要索引的字符串前缀。

唯一的整数 ID。

示例

>>> get_uid('dense')
1
>>> get_uid('dense')
2

[源代码]

`rnn` 函数

tf_keras.backend.rnn(
    step_function,
    inputs,
    initial_states,
    go_backwards=False,
    mask=None,
    constants=None,
    unroll=False,
    input_length=None,
    time_major=False,
    zero_output_for_mask=False,
    return_all_outputs=True,
)

迭代张量的时间维度。

参数

step_function：RNN 步函数。参数：input；形状为 (samples, ...) 的张量（无时间维度），表示特定时间步的样本批次的输入。states；张量列表。返回值：output；形状为 (samples, output_dim) 的张量（无时间维度）。new_states；张量列表，与 'states' 的长度和形状相同。列表中的第一个状态必须是上一个时间步的输出张量。
inputs：形状为 (samples, time, ...)（至少 3D）的时间数据张量，或嵌套张量，其中每个张量的形状为 (samples, time, ...)。
initial_states：形状为 (samples, state_size)（无时间维度）的张量，包含步函数中使用的状态的初始值。如果 state_size 位于嵌套形状中，则 initial_states 的形状也将遵循嵌套结构。
go_backwards：布尔值。如果为 True，则沿时间维度反向迭代并返回反向序列。
mask：形状为 (samples, time, 1) 的二进制张量，其中每个被屏蔽的元素都为零。
constants：在每个步骤中传递的常量值列表。
unroll：是否展开 RNN 或使用符号 while_loop。
input_length：一个整数或一维张量，取决于时间维度是固定长度还是可变长度。对于可变长度输入，如果未指定掩码，则用于掩码。
time_major：布尔值。如果为 true，则输入和输出的形状为 (timesteps, batch, ...)，而在 False 的情况下，形状为 (batch, timesteps, ...)。使用 time_major = True 效率更高，因为它避免了 RNN 计算开始和结束时的转置。但是，大多数 TensorFlow 数据是批次主导的，因此默认情况下此函数以批次主导形式接受输入并发出输出。
zero_output_for_mask：布尔值。如果为 True，则被屏蔽时间步的输出将为零，而在 False 的情况下，将返回上一个时间步的输出。
return_all_outputs：布尔值。如果为 True，则返回序列中所有时间步的递归输出。如果为 False，则仅返回最后一个时间步的输出（这会消耗更少的内存）。

一个元组，(last_output, outputs, new_states)。last_output：rnn 的最新输出，形状为 (samples, ...) outputs：- 如果 return_all_outputs=True：形状为 (samples, time, ...) 的张量，其中每个条目 outputs[s, t] 是样本 s 在时间 t 的步函数输出。- 否则，一个等于 last_output 的张量，形状为 (samples, 1, ...) new_states：张量列表，由步函数返回的最新状态，形状为 (samples, ...)。

引发