set_random_seed 函数tf_keras.utils.set_random_seed(seed)
设置程序的所有随机种子（Python、NumPy 和 TensorFlow）。
您可以使用此工具函数使几乎所有 TF-Keras 程序完全确定性。当涉及网络通信（例如参数服务器分发）时，可能会产生额外的随机性源，或者当涉及某些非确定性 cuDNN 操作时，会存在一些限制。
调用此工具函数等效于以下操作
import random
import numpy as np
import tensorflow as tf
random.seed(seed)
np.random.seed(seed)
tf.random.set_seed(seed)
参数
split_dataset 函数tf_keras.utils.split_dataset(
dataset, left_size=None, right_size=None, shuffle=False, seed=None
)
将数据集分割成左半部分和右半部分（例如，训练集 / 测试集）。
参数
tf.data.Dataset 对象，或一个长度相同的数组列表/元组。[0, 1]），则表示要放入左半部分数据集的数据比例。如果是整数，则表示要放入左半部分数据集的样本数量。如果为 None，则使用 right_size 的补集。默认为 None。[0, 1]），则表示要放入右半部分数据集的数据比例。如果是整数，则表示要放入右半部分数据集的样本数量。如果为 None，则使用 left_size 的补集。默认为 None。返回值
tf.data.Dataset 对象的元组：左半部分和右半部分。示例
>>> data = np.random.random(size=(1000, 4))
>>> left_ds, right_ds = tf.keras.utils.split_dataset(data, left_size=0.8)
>>> int(left_ds.cardinality())
800
>>> int(right_ds.cardinality())
200
get_file 函数tf_keras.utils.get_file(
fname=None,
origin=None,
untar=False,
md5_hash=None,
file_hash=None,
cache_subdir="datasets",
hash_algorithm="auto",
extract=False,
archive_format="auto",
cache_dir=None,
)
从 URL 下载文件，如果文件不在缓存中。
默认情况下，URL origin 指定的文件会下载到缓存目录 ~/.keras，放在子目录 datasets 中，并命名为 fname。因此，文件 example.txt 的最终位置将是 ~/.keras/datasets/example.txt。
tar, tar.gz, tar.bz 和 zip 格式的文件也可以解压。传入哈希值可以在下载后验证文件。命令行程序 shasum 和 sha256sum 可以计算哈希值。
示例
path_to_downloaded_file = tf.keras.utils.get_file(
origin="https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz",
extract=True,
)
参数
/path/to/file.txt，文件将保存在该位置。如果为 None，将使用 origin 中的文件名。extract 参数。布尔值，文件是否应该解压file_hash 参数。文件的 md5 哈希值，用于验证/path/to/folder，文件将保存在该位置。'md5'、'sha256' 和 'auto'。默认值 'auto' 会自动检测正在使用的哈希算法。'auto'、'tar'、'zip' 和 None。'tar' 包括 tar、tar.gz 和 tar.bz 文件。默认值 'auto' 对应于 ['tar', 'zip']。None 或空列表将返回未找到匹配项。~/.keras/。返回值
下载文件的路径。
⚠️ 关于恶意下载的警告 ⚠️
从互联网下载任何东西都带有风险。如果您不信任来源，请永远不要下载文件/归档文件。我们建议您指定 file_hash 参数（如果已知源文件的哈希值），以确保您获得的文件是您所期望的。
Progbar 类tf_keras.utils.Progbar(
target, width=30, verbose=1, interval=0.05, stateful_metrics=None, unit_name="step"
)
显示进度条。
参数
Sequence 类tf_keras.utils.Sequence()
用于拟合数据序列（如数据集）的基类对象。
每个 Sequence 都必须实现 __getitem__ 和 __len__ 方法。如果您想在 epoch 之间修改数据集，可以实现 on_epoch_end 方法。__getitem__ 方法应该返回一个完整的批次。
注意
Sequence 是一种更安全的多进程处理方式。这种结构保证了网络在每个 epoch 中只对每个样本训练一次，这与生成器不同。
示例
from skimage.io import imread
from skimage.transform import resize
import numpy as np
import math
# Here, `x_set` is list of path to the images
# and `y_set` are the associated classes.
class CIFAR10Sequence(tf.keras.utils.Sequence):
def __init__(self, x_set, y_set, batch_size):
self.x, self.y = x_set, y_set
self.batch_size = batch_size
def __len__(self):
return math.ceil(len(self.x) / self.batch_size)
def __getitem__(self, idx):
low = idx * self.batch_size
# Cap upper bound at array length; the last batch may be smaller
# if the total number of items is not a multiple of batch size.
high = min(low + self.batch_size, len(self.x))
batch_x = self.x[low:high]
batch_y = self.y[low:high]
return np.array([
resize(imread(file_name), (200, 200))
for file_name in batch_x]), np.array(batch_y)
to_categorical 函数tf_keras.utils.to_categorical(y, num_classes=None, dtype="float32")
将类别向量（整数）转换为二元类别矩阵。
例如，用于 categorical_crossentropy。
参数
num_classes - 1 的整数）。None，则推断为 max(y) + 1。'float32'。返回值
输入的二元矩阵表示，作为 NumPy 数组。类别轴放在最后。
示例
>>> a = tf.keras.utils.to_categorical([0, 1, 2, 3], num_classes=4)
>>> print(a)
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
>>> b = tf.constant([.9, .04, .03, .03,
... .3, .45, .15, .13,
... .04, .01, .94, .05,
... .12, .21, .5, .17],
... shape=[4, 4])
>>> loss = tf.keras.backend.categorical_crossentropy(a, b)
>>> print(np.around(loss, 5))
[0.10536 0.82807 0.1011 1.77196]
>>> loss = tf.keras.backend.categorical_crossentropy(a, a)
>>> print(np.around(loss, 5))
[0. 0. 0. 0.]
to_ordinal 函数tf_keras.utils.to_ordinal(y, num_classes=None, dtype="float32")
将类别向量（整数）转换为序数回归矩阵。
此工具函数将类别向量编码为序数回归/分类矩阵，其中每行表示一个样本，该样本的排名由该行中 1 的数量表示。
参数
num_classes - 1 的整数）。None，则推断为 max(y) + 1。'float32'。返回值
输入的序数回归矩阵表示，作为 NumPy 数组。类别轴放在最后。
示例
>>> a = tf.keras.utils.to_ordinal([0, 1, 2, 3], num_classes=4)
>>> print(a)
[[0. 0. 0.]
[1. 0. 0.]
[1. 1. 0.]
[1. 1. 1.]]
normalize 函数tf_keras.utils.normalize(x, axis=-1, order=2)
归一化 NumPy 数组。
参数
order=2）。返回值
数组的归一化副本。