NN ops

`average_pool` 函数

keras.ops.average_pool(
    inputs, pool_size, strides=None, padding="valid", data_format=None
)

平均池化操作。

参数

inputs: 秩为 N+2 的张量。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size,) + inputs_spatial_shape + (num_channels,)；如果 data_format="channels_first"，则形状为 (batch_size, num_channels) + inputs_spatial_shape。池化仅发生在空间维度上。
pool_size: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定输入张量每个空间维度的池化窗口大小。如果 pool_size 是整数，则每个空间维度共享相同的 pool_size。
strides: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表。输入张量每个空间维度的滑动窗口的步长。如果 strides 是整数，则每个空间维度共享相同的 strides。
padding: 字符串，取值可以是 "valid" 或 "same"。"valid" 表示不应用填充，"same" 表示在输入的左/右或上/下进行均匀填充，使得当 strides=1 时，输出的高度/宽度维度与输入相同。
data_format: 字符串，取值可以是 "channels_last" 或 "channels_first"。data_format 决定了输入中维度的顺序。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size, ..., channels)；如果 data_format="channels_first"，则 inputs 的形状为 (batch_size, channels, ...)。

一个秩为 N+2 的张量，即平均池化操作的结果。

[源代码]

`batch_normalization` 函数

keras.ops.batch_normalization(
    x, mean, variance, axis, offset=None, scale=None, epsilon=0.001
)

使用 mean 和 variance 对 x 进行归一化。

此操作通常在神经网络的批归一化步骤中使用。它沿指定的轴对输入张量进行归一化。

参数

x：输入张量。
mean: 一个均值向量，其长度与输入张量的 axis 维度相同。
variance: 一个方差向量，其长度与输入张量的 axis 维度相同。
axis: 整数，应进行归一化的轴。
offset: 一个偏移向量，其长度与输入张量的 axis 维度相同。如果不是 None，则将 offset 加到归一化张量上。默认为 None。
scale: 一个缩放向量，其长度与输入张量的 axis 维度相同。如果不是 None，则将归一化张量乘以 scale。默认为 None。
epsilon：添加到方差中的小浮点数，以避免除以零。默认为 1e-3。

归一化后的张量。

示例

>>> x = keras.ops.convert_to_tensor(
...     [[0.1, 0.2, 0.3], [0.4, 0.5, 0.6], [0.7, 0.8, 0.9]]
... )
>>> keras.ops.batch_normalization(
...     x,
...     mean=[0.4, 0.5, 0.6],
...     variance=[0.67, 0.67, 0.67],
...     axis=-1
... )
array([[-3.6624e-01, -3.6624e-01, -3.6624e-01],
       [-4.6445e-09,  0.0000e+00, -1.8578e-08],
       [ 3.6624e-01,  3.6624e-01,  3.6624e-01]])

[源代码]

`binary_crossentropy` 函数

keras.ops.binary_crossentropy(target, output, from_logits=False)

计算目标张量和输出张量之间的二元交叉熵损失。

二元交叉熵损失通常用于二元分类任务，其中每个输入样本属于两个类别之一。它衡量目标概率和输出概率或对数之间的不相似性。

参数

target: 表示真实二元标签的目标张量。其形状应与 output 张量的形状匹配。
output: 表示预测概率或对数的目标张量。其形状应与 target 张量的形状匹配。
from_logits: (可选) output 是对数张量还是概率张量。如果 output 表示对数，则设置为 True；否则，如果 output 表示概率，则设置为 False。默认为 False。

整数张量：在 target 和 output 之间计算的二元交叉熵损失。

示例

>>> target = keras.ops.convert_to_tensor([0, 1, 1, 0])
>>> output = keras.ops.convert_to_tensor([0.1, 0.9, 0.8, 0.2])
>>> binary_crossentropy(target, output)
array([0.10536054 0.10536054 0.22314355 0.22314355],
      shape=(4,), dtype=float32)

[源代码]

`categorical_crossentropy` 函数

keras.ops.categorical_crossentropy(target, output, from_logits=False, axis=-1)

计算目标张量和输出张量之间的分类交叉熵损失。

分类交叉熵损失通常用于多类别分类任务，其中每个输入样本可以属于多个类别中的一个。它衡量目标概率和输出概率或对数之间的不相似性。

参数

target: 表示真实分类标签的目标张量。其形状应与 output 张量的形状匹配，但最后一个维度除外。
output: 表示预测概率或对数的目标张量。其形状应与 target 张量的形状匹配，但最后一个维度除外。
from_logits: (可选) output 是对数张量还是概率张量。如果 output 表示对数，则设置为 True；否则，如果 output 表示概率，则设置为 False。默认为 False。
axis: (可选) 计算分类交叉熵的轴。默认为 -1，对应张量的最后一个维度。

整数张量：在 target 和 output 之间计算的分类交叉熵损失。

示例

>>> target = keras.ops.convert_to_tensor(
... [[1, 0, 0],
...  [0, 1, 0],
...  [0, 0, 1]])
>>> output = keras.ops.convert_to_tensor(
... [[0.9, 0.05, 0.05],
...  [0.1, 0.8, 0.1],
...  [0.2, 0.3, 0.5]])
>>> categorical_crossentropy(target, output)
array([0.10536054 0.22314355 0.6931472 ], shape=(3,), dtype=float32)

[源代码]

`conv` 函数

keras.ops.conv(
    inputs, kernel, strides=1, padding="valid", data_format=None, dilation_rate=1
)

通用 N 维卷积。

此操作支持 1D、2D 和 3D 卷积。

参数

inputs: 秩为 N+2 的张量。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size,) + inputs_spatial_shape + (num_channels,)；如果 data_format="channels_first"，则形状为 (batch_size, num_channels) + inputs_spatial_shape。
kernel: 秩为 N+2 的张量。kernel 的形状为 (kernel_spatial_shape, num_input_channels, num_output_channels)。num_input_channels 应与 inputs 中的通道数匹配。
strides: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定卷积沿每个空间维度的步长。如果 strides 是整数，则每个空间维度共享相同的 strides。
padding: 字符串，取值可以是 "valid" 或 "same"。"valid" 表示不应用填充，"same" 表示在输入的左/右或上/下进行均匀填充，使得当 strides=1 时，输出的高度/宽度维度与输入相同。
data_format: 字符串，取值可以是 "channels_last" 或 "channels_first"。data_format 决定了输入中维度的顺序。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size, ..., channels)；如果 data_format="channels_first"，则 inputs 的形状为 (batch_size, channels, ...)。
dilation_rate: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定用于膨胀卷积的膨胀率。如果 dilation_rate 是整数，则每个空间维度共享相同的 dilation_rate。

一个秩为 N+2 的张量，即卷积操作的结果。

[源代码]

`conv_transpose` 函数

keras.ops.conv_transpose(
    inputs,
    kernel,
    strides=1,
    padding="valid",
    output_padding=None,
    data_format=None,
    dilation_rate=1,
)

通用 N 维卷积转置。

也称为反卷积。此操作支持 1D、2D 和 3D 卷积。

参数

inputs: 秩为 N+2 的张量。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size,) + inputs_spatial_shape + (num_channels,)；如果 data_format="channels_first"，则形状为 (batch_size, num_channels) + inputs_spatial_shape。
kernel: 秩为 N+2 的张量。kernel 的形状为 [kernel_spatial_shape, num_output_channels, num_input_channels]，num_input_channels 应与 inputs 中的通道数匹配。
strides: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定卷积沿每个空间维度的步长。如果 strides 是整数，则每个空间维度共享相同的 strides。
padding: 字符串，取值可以是 "valid" 或 "same"。"valid" 表示不应用填充，"same" 表示在输入的左/右或上/下进行均匀填充，使得当 strides=1 时，输出的高度/宽度维度与输入相同。
output_padding: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定输出张量的高度和宽度的填充量。可以是一个整数，为所有空间维度指定相同的值。沿给定维度的输出填充量必须低于沿该相同维度的步长。如果设置为 None (默认值)，则推断输出形状。
data_format: 字符串，取值可以是 "channels_last" 或 "channels_first"。data_format 决定了输入中维度的顺序。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size, ..., channels)；如果 data_format="channels_first"，则 inputs 的形状为 (batch_size, channels, ...)。
dilation_rate: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定用于膨胀卷积的膨胀率。如果 dilation_rate 是整数，则每个空间维度共享相同的 dilation_rate。

一个秩为 N+2 的张量，即卷积操作的结果。

[源代码]

`ctc_decode` 函数

keras.ops.ctc_decode(
    inputs,
    sequence_lengths,
    strategy="greedy",
    beam_width=100,
    top_paths=1,
    merge_repeated=True,
    mask_index=0,
)

解码 CTC 模型的输出。

参数

inputs: 一个形状为 (batch_size, max_length, num_classes) 的张量，包含对数（模型输出）。它们不应通过 softmax 进行归一化。
sequence_lengths: 一个形状为 (batch_size,) 的张量，包含批次的序列长度。
strategy: 用于解码策略的字符串。支持的值为 "greedy" 和 "beam_search"。
beam_width: 在束搜索中使用的整数标量束宽度。默认为 100。
top_paths: 整数标量，要返回的顶部路径的数量。默认为 1。
merge_repeated: 布尔标量，是否合并输出中的重复标签。默认为 True。
mask_index: 整数标量，词汇表中掩码字符的索引。默认为 0。

一个元组，包含:
表示解码序列列表的张量。如果 strategy="greedy"，则形状为 (1, batch_size, max_length)。如果 strategy="beam_search"，则形状为 (top_paths, batch_size, max_length)。请注意：-1 表示空白标签。
如果 strategy="greedy"，则为形状为 (batch_size, 1) 的张量，表示每个序列的概率对数的负和。如果 strategy="beam_seatch"，则为形状为 (batch_size, top_paths) 的张量，表示每个序列的对数概率。

[源代码]

`ctc_loss` 函数

keras.ops.ctc_loss(target, output, target_length, output_length, mask_index=0)

CTC（连接时序分类）损失。

参数

target: 一个形状为 (batch_size, max_length) 的张量，包含整数格式的真实标签。
output: 一个形状为 (batch_size, max_length, num_classes) 的张量，包含对数（模型输出）。
target_length: 一个形状为 (batch_size,) 的张量，包含真实标签的长度。
output_length: 一个形状为 (batch_size,) 的张量，包含输出的长度。
mask_index: 词汇表中掩码字符的索引。默认为 0。

[源代码]

`depthwise_conv` 函数

keras.ops.depthwise_conv(
    inputs, kernel, strides=1, padding="valid", data_format=None, dilation_rate=1
)

通用 N 维深度卷积。

此操作支持 1D 和 2D 深度卷积。

参数

inputs: 秩为 N+2 的张量。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size,) + inputs_spatial_shape + (num_channels,)；如果 data_format="channels_first"，则形状为 (batch_size, num_channels) + inputs_spatial_shape。
kernel: 秩为 N+2 的张量。kernel 的形状为 [kernel_spatial_shape, num_input_channels, num_channels_multiplier]，num_input_channels 应与 inputs 中的通道数匹配。
strides: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定卷积沿每个空间维度的步长。如果 strides 是整数，则每个空间维度共享相同的 strides。
padding: 字符串，取值可以是 "valid" 或 "same"。"valid" 表示不应用填充，"same" 表示在输入的左/右或上/下进行均匀填充，使得当 strides=1 时，输出的高度/宽度维度与输入相同。
data_format: 字符串，取值可以是 "channels_last" 或 "channels_first"。data_format 决定了输入中维度的顺序。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size, ..., channels)；如果 data_format="channels_first"，则 inputs 的形状为 (batch_size, channels, ...)。
dilation_rate: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定用于膨胀卷积的膨胀率。如果 dilation_rate 是整数，则每个空间维度共享相同的 dilation_rate。

一个秩为 N+2 的张量，即深度卷积操作的结果。

[源代码]

`dot_product_attention` 函数

keras.ops.dot_product_attention(
    query,
    key,
    value,
    bias=None,
    mask=None,
    scale=None,
    is_causal=False,
    flash_attention=None,
    attn_logits_soft_cap=None,
)

缩放点积注意力函数。

计算 Q（query）、K（key）和 V（value）上的注意力函数：attention(Q, K, V) = softmax(Q * K / sqrt(d)) * V。如果我们定义 logits 为 Q * K 的输出，probs 为 softmax 的输出。

在此函数中，我们使用以下表示法表示数组的形状：- B：批次大小 - S：键/值的长度 - T：查询的长度 - N：注意力头的数量 - H：每个注意力头的维度 - K：键/值头的数量 - G：组的数量，等于 N // K

参数

query: 形状为 (B, T, N, H) 的查询数组。
key: 形状为 (B, S, K, H) 的键数组。当 K 等于 N 时，执行多头注意力 (MHA)。否则，如果 N 是 K 的倍数，则执行分组查询注意力 (GQA)；如果 K==1（GQA 的特例），则执行多查询注意力 (MQA)。
value: 形状与 key 相同的价值数组。
bias: 可选的偏置数组，将添加到对数中。形状必须可广播到 (B, N, T, S)。
mask: 可选的掩码数组，用于过滤对数。它是一个布尔掩码，其中 True 表示元素应参与注意力。对于加性掩码，用户应将其传递给偏置。形状必须可广播到 (B, N, T, S)。
scale: 对数的可选缩放。如果为 None，则缩放将设置为 1.0 / sqrt(H)。
is_causal: 是否应用因果掩码。
flash_attention: 是否使用 Flash Attention。如果为 None，则会尝试使用 Flash Attention（如果满足必要条件）。通常，输入必须是 float16 和 bfloat16 数据类型，并且输入布局要求可能因后端而异。
attn_logits_soft_cap: 应用 softmax 函数之前的注意力对数的最大值的阈值。这仅在 JAX TPU 后端支持。默认为 None。

形状与 query 相同的注意力输出数组。

示例

>>> query = keras.random.normal((2, 4, 8, 16))
>>> key = keras.random.normal((2, 6, 8, 16))
>>> value = keras.random.normal((2, 6, 8, 16))
>>> keras.ops.nn.dot_product_attention(query, key, value).shape
(2, 4, 8, 16)

[源代码]

`elu` 函数

keras.ops.elu(x, alpha=1.0)

指数线性单元激活函数。

定义为

f(x) = alpha * (exp(x) - 1.) for x < 0，f(x) = x for x >= 0。

参数

x：输入张量。
alpha: 标量，正段的斜率。默认为 1.0。

形状与 x 相同的张量。

示例

>>> x = np.array([-1., 0., 1.])
>>> x_elu = keras.ops.elu(x)
>>> print(x_elu)
array([-0.63212055, 0., 1.], shape=(3,), dtype=float64)

[源代码]

`gelu` 函数

keras.ops.gelu(x, approximate=True)

高斯误差线性单元 (GELU) 激活函数。

如果 approximate 为 True，则定义为：f(x) = 0.5 * x * (1 + tanh(sqrt(2 / pi) * (x + 0.044715 * x^3)))

或者如果 approximate 为 False，则定义为：f(x) = x * P(X <= x) = 0.5 * x * (1 + erf(x / sqrt(2)))，其中 P(X) ~ N(0, 1)。

参数

x：输入张量。
approximate: GELU 激活函数的近似版本。默认为 True。

形状与 x 相同的张量。

示例

>>> x = np.array([-1., 0., 1.])
>>> x_gelu = keras.ops.gelu(x)
>>> print(x_gelu)
array([-0.15865525, 0., 0.84134475], shape=(3,), dtype=float64)

[源代码]

`hard_sigmoid` 函数

keras.ops.hard_sigmoid(x)

硬 sigmoid 激活函数。

定义为

0 if x < -2.5，1 if x > 2.5，(0.2 * x) + 0.5 if -2.5 <= x <= 2.5。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = np.array([-1., 0., 1.])
>>> x_hard_sigmoid = keras.ops.hard_sigmoid(x)
>>> print(x_hard_sigmoid)
array([0.3, 0.5, 0.7], shape=(3,), dtype=float64)

[源代码]

`leaky_relu` 函数

keras.ops.leaky_relu(x, negative_slope=0.2)

修正线性单元激活函数的 Leaky 版本。

它在单元不活跃时允许一个小的梯度，定义为

f(x) = alpha * x for x < 0 或 f(x) = x for x >= 0。

参数

x：输入张量。
negative_slope: x < 0 时激活函数的斜率。默认为 0.2。

形状与 x 相同的张量。

示例

>>> x = np.array([-1., 0., 1.])
>>> x_leaky_relu = keras.ops.leaky_relu(x)
>>> print(x_leaky_relu)
array([-0.2,  0. ,  1. ], shape=(3,), dtype=float64)

[源代码]

`log_sigmoid` 函数

keras.ops.log_sigmoid(x)

sigmoid 激活函数的对数。

定义为 f(x) = log(1 / (1 + exp(-x)))。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = keras.ops.convert_to_tensor([-0.541391, 0.0, 0.50, 5.0])
>>> keras.ops.log_sigmoid(x)
array([-1.0000418, -0.6931472, -0.474077, -0.00671535], dtype=float32)

[源代码]

`log_softmax` 函数

keras.ops.log_softmax(x, axis=-1)

Log-softmax 激活函数。

定义为：f(x) = x - max(x) - log(sum(exp(x - max(x))))

参数

x：输入张量。
axis: 整数，应用 log-softmax 的轴。默认为 -1。

形状与 x 相同的张量。

示例

>>> x = np.array([-1., 0., 1.])
>>> x_log_softmax = keras.ops.log_softmax(x)
>>> print(x_log_softmax)
array([-2.40760596, -1.40760596, -0.40760596], shape=(3,), dtype=float64)

[源代码]

`max_pool` 函数

keras.ops.max_pool(
    inputs, pool_size, strides=None, padding="valid", data_format=None
)

最大池化操作。

参数

inputs: 秩为 N+2 的张量。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size,) + inputs_spatial_shape + (num_channels,)；如果 data_format="channels_first"，则形状为 (batch_size, num_channels) + inputs_spatial_shape。池化仅发生在空间维度上。
pool_size: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定输入张量每个空间维度的池化窗口大小。如果 pool_size 是整数，则每个空间维度共享相同的 pool_size。
strides: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表。输入张量每个空间维度的滑动窗口的步长。如果 strides 是整数，则每个空间维度共享相同的 strides。
padding: 字符串，取值可以是 "valid" 或 "same"。"valid" 表示不应用填充，"same" 表示在输入的左/右或上/下进行均匀填充，使得当 strides=1 时，输出的高度/宽度维度与输入相同。
data_format: 字符串，取值可以是 "channels_last" 或 "channels_first"。data_format 决定了输入中维度的顺序。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size, ..., channels)；如果 data_format="channels_first"，则 inputs 的形状为 (batch_size, channels, ...)。

一个秩为 N+2 的张量，即最大池化操作的结果。

[源代码]

`moments` 函数

keras.ops.moments(x, axes, keepdims=False, synchronized=False)

计算 x 的均值和方差。

通过在 axes 上聚合 x 的内容来计算均值和方差。如果 x 是 1D 且 axes = [0]，则这只是向量的均值和方差。

参数

x：输入张量。
axes: 用于计算均值和方差的轴列表。
keepdims：如果设置为 True，则被规约的轴将作为大小为 1 的维度保留在结果中。
synchronized: 仅在 TensorFlow 后端可用。如果为 True，则在分布式训练策略中的每个训练步骤中，跨所有设备同步全局批次统计（均值和方差）。如果为 False，则每个副本使用自己的局部批次统计。

一个元组，包含两个张量 - 均值和方差。

示例

>>> x = keras.ops.convert_to_tensor([0, 1, 2, 3, 100], dtype="float32")
>>> keras.ops.moments(x, axes=[0])
(array(21.2, dtype=float32), array(1553.3601, dtype=float32))

[源代码]

`multi_hot` 函数

keras.ops.multi_hot(
    inputs, num_classes=None, axis=-1, dtype=None, sparse=False, **kwargs
)

将整数标签编码为多热向量。

此函数将整数标签编码为多热向量，其中每个标签映射到结果向量中的二元值。

参数

inputs: 要转换为多热向量的整数标签张量。
num_classes: 整数，唯一类别的总数。
axis: (可选) 应添加多热编码的轴。默认为 -1，对应最后一个维度。
dtype: (可选) 结果张量的数据类型。默认为后端浮点类型。
sparse：是否返回稀疏张量；适用于支持稀疏张量的后端。

张量：多热编码张量。

示例

>>> data = keras.ops.convert_to_tensor([0, 4])
>>> keras.ops.multi_hot(data, num_classes=5)
array([1.0, 0.0, 0.0, 0.0, 1.0], dtype=float32)

[源代码]

`normalize` 函数

keras.ops.normalize(x, axis=-1, order=2, epsilon=None)

沿指定轴对 x 进行归一化。

定义为：normalize(x) = x / max(norm(x), epsilon)。

参数

x：输入张量。
axis: 进行归一化的轴或轴。默认为 -1。
order: 范数公式中的指数值。默认为 2。
epsilon: 范数的下界值。默认为 backend.epsilon()。

归一化后的数组。

示例

>>> x = keras.ops.convert_to_tensor([[1, 2, 3], [4, 5, 6]])
>>> x_norm = keras.ops.math.normalize(x)
>>> print(x_norm)
array([[0.26726124 0.5345225  0.8017837 ]
       [0.45584232 0.5698029  0.68376344]], shape=(2, 3), dtype=float32)

[源代码]

`one_hot` 函数

keras.ops.one_hot(x, num_classes, axis=-1, dtype=None, sparse=False)

将整数张量 x 转换为独热张量。

独热编码是一种表示方法，其中每个整数值被转换为一个长度等于 num_classes 的二元向量，并且对应于整数值的索引标记为 1，而所有其他索引标记为 0。

参数

x: 要编码的整数张量。形状可以是任意的，但数据类型应为整数。
num_classes: 独热编码的类别数。
axis: 进行编码的轴。-1 表示最后一个轴。默认为 -1。
dtype: (可选) 输出张量的数据类型。如果未提供，则默认为后端的默认数据类型。
sparse：是否返回稀疏张量；适用于支持稀疏张量的后端。

整数张量：具有与 x 相同的形状的独热编码张量，除了指定的 axis 维度，该维度长度为 num_classes。输出张量的数据类型由 dtype 或后端的默认数据类型确定。

示例

>>> x = keras.ops.convert_to_tensor([1, 3, 2, 0])
>>> one_hot(x, num_classes=4)
array([[0. 1. 0. 0.]
       [0. 0. 0. 1.]
       [0. 0. 1. 0.]
       [1. 0. 0. 0.]], shape=(4, 4), dtype=float32)

[源代码]

`psnr` 函数

keras.ops.psnr(x1, x2, max_val)

峰值信噪比 (PSNR) 函数。

此函数计算两个信号 x1 和 x2 之间的峰值信噪比。PSNR 是衡量重建信号质量的指标。PSNR 值越高，表示重建信号与原始信号越接近。请注意，当信号功率小于噪声功率时，PSNR 可能变为负值。

参数

x1: 第一个输入信号。
x2: 第二个输入信号。形状必须与 x1 相同。
max_val: 信号中的最大可能值。

float: x1 和 x2 之间的 PSNR 值。

示例

>>> x1 = keras.random.normal((2, 4, 4, 3))
>>> x2 = keras.random.normal((2, 4, 4, 3))
>>> max_val = 1.0
>>> keras.ops.nn.psnr(x1, x2, max_val)
-3.1697404

[源代码]

`relu` 函数

keras.ops.relu(x)

修正线性单元激活函数。

定义为 f(x) = max(0, x)。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x1 = keras.ops.convert_to_tensor([-1.0, 0.0, 1.0, 0.2])
>>> keras.ops.relu(x1)
array([0.0, 0.0, 1.0, 0.2], dtype=float32)

[源代码]

`relu6` 函数

keras.ops.relu6(x)

上限为 6 的修正线性单元激活函数。

定义为 f(x) = np.clip(x, 0, 6)。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = keras.ops.convert_to_tensor([-3.0, -2.0, 0.1, 0.2, 6.0, 8.0])
>>> keras.ops.relu6(x)
array([0.0, 0.0, 0.1, 0.2, 6.0, 6.0], dtype=float32)

[源代码]

`selu` 函数

keras.ops.selu(x)

缩放指数线性单元 (SELU) 激活函数。

定义为

f(x) = scale * alpha * (exp(x) - 1.) for x < 0，f(x) = scale * x for x >= 0。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = np.array([-1., 0., 1.])
>>> x_selu = keras.ops.selu(x)
>>> print(x_selu)
array([-1.11133055, 0., 1.05070098], shape=(3,), dtype=float64)

[源代码]

`separable_conv` 函数

keras.ops.separable_conv(
    inputs,
    depthwise_kernel,
    pointwise_kernel,
    strides=1,
    padding="valid",
    data_format=None,
    dilation_rate=1,
)

通用 N 维可分离卷积。

此操作支持 1D 和 2D 可分离卷积。separable_conv 是一个深度卷积后跟一个逐点卷积。

参数

inputs: 秩为 N+2 的张量。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size,) + inputs_spatial_shape + (num_channels,)；如果 data_format="channels_first"，则形状为 (batch_size, num_channels) + inputs_spatial_shape。
depthwise_kernel: 秩为 N+2 的张量。depthwise_kernel 的形状为 [kernel_spatial_shape, num_input_channels, num_channels_multiplier]，num_input_channels 应与 inputs 中的通道数匹配。
pointwise_kernel: 秩为 N+2 的张量。pointwise_kernel 的形状为 (*ones_like(kernel_spatial_shape), num_input_channels * num_channels_multiplier, num_output_channels)。
strides: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定卷积沿每个空间维度的步长。如果 strides 是整数，则每个空间维度共享相同的 strides。
padding: 字符串，取值可以是 "valid" 或 "same"。"valid" 表示不应用填充，"same" 表示在输入的左/右或上/下进行均匀填充，使得当 strides=1 时，输出的高度/宽度维度与输入相同。
data_format: 字符串，取值可以是 "channels_last" 或 "channels_first"。data_format 决定了输入中维度的顺序。如果 data_format="channels_last"，则 inputs 的形状为 (batch_size, ..., channels)；如果 data_format="channels_first"，则 inputs 的形状为 (batch_size, channels, ...)。
dilation_rate: 一个整数或大小为 len(inputs_spatial_shape) 的整数元组/列表，指定用于膨胀卷积的膨胀率。如果 dilation_rate 是整数，则每个空间维度共享相同的 dilation_rate。

一个秩为 N+2 的张量，即深度卷积操作的结果。

[源代码]

`sigmoid` 函数

keras.ops.sigmoid(x)

Sigmoid 激活函数。

定义为 f(x) = 1 / (1 + exp(-x))。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = keras.ops.convert_to_tensor([-6.0, 1.0, 0.0, 1.0, 6.0])
>>> keras.ops.sigmoid(x)
array([0.00247262, 0.7310586, 0.5, 0.7310586, 0.9975274], dtype=float32)

[源代码]

`silu` 函数

keras.ops.silu(x)

Sigmoid 线性单元 (SiLU) 激活函数，也称为 Swish。

SiLU 激活函数通过 sigmoid 函数乘以其输入来计算。定义为 f(x) = x * sigmoid(x)。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = keras.ops.convert_to_tensor([-6.0, 1.0, 0.0, 1.0, 6.0])
>>> keras.ops.sigmoid(x)
array([0.00247262, 0.7310586, 0.5, 0.7310586, 0.9975274], dtype=float32)
>>> keras.ops.silu(x)
array([-0.0148357, 0.7310586, 0.0, 0.7310586, 5.9851646], dtype=float32)

[源代码]

`hard_silu` 函数

keras.ops.hard_silu(x)

硬 SiLU 激活函数，也称为 Hard Swish。

定义为

0 if if x < -3
x if x > 3
x * (x + 3) / 6 if -3 <= x <= 3

它是 silu 激活函数的一种更快速、分段线性的近似。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = keras.ops.convert_to_tensor([-3.0, -1.0, 0.0, 1.0, 3.0])
>>> keras.ops.hard_silu(x)
array([-0.0, -0.3333333, 0.0, 0.6666667, 3.0], shape=(5,), dtype=float32)

[源代码]

`softmax` 函数

keras.ops.softmax(x, axis=-1)

Softmax 激活函数。

输出向量的元素位于 (0, 1) 范围之间，并且它们的总和恰好为 1（不包括浮点舍入误差）。

每个向量都独立处理。axis 参数指定了在输入张量中应用该函数的轴。

定义为：f(x) = exp(x) / sum(exp(x))

参数

x：输入张量。
axis: 整数，应用 softmax 的轴。

形状与 x 相同的张量。

示例

>>> x = np.array([-1., 0., 1.])
>>> x_softmax = keras.ops.softmax(x)
>>> print(x_softmax)
array([0.09003057, 0.24472847, 0.66524096], shape=(3,), dtype=float64)

[源代码]

`softplus` 函数

keras.ops.softplus(x)

Softplus 激活函数。

定义为 f(x) = log(exp(x) + 1)，其中 log 是自然对数，exp 是指数函数。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = keras.ops.convert_to_tensor([-0.555, 0.0, 0.555])
>>> keras.ops.softplus(x)
array([0.45366603, 0.6931472, 1.008666], dtype=float32)

[源代码]

`softsign` 函数

keras.ops.softsign(x)

Softsign 激活函数。

定义为 f(x) = x / (abs(x) + 1)。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = keras.ops.convert_to_tensor([-0.100, -10.0, 1.0, 0.0, 100.0])
>>> keras.ops.softsign(x)
Array([-0.09090909, -0.90909094, 0.5, 0.0, 0.990099], dtype=float32)

[源代码]

`sparse_categorical_crossentropy` 函数

keras.ops.sparse_categorical_crossentropy(target, output, from_logits=False, axis=-1)

计算稀疏分类交叉熵损失。

稀疏分类交叉熵损失与分类交叉熵类似，但当目标张量包含整数类别标签而不是独热编码向量时使用。它衡量目标概率和输出概率或对数之间的不相似性。

参数

target: 表示真实类别标签（整数）的目标张量。其形状应与 output 张量的形状匹配，但最后一个维度除外。
output: 表示预测概率或对数的目标张量。其形状应与 target 张量的形状匹配，但最后一个维度除外。
from_logits: (可选) output 是对数张量还是概率张量。如果 output 表示对数，则设置为 True；否则，如果 output 表示概率，则设置为 False。默认为 False。
axis: (可选) 计算稀疏分类交叉熵的轴。默认为 -1，对应张量的最后一个维度。

整数张量：在 target 和 output 之间计算的稀疏分类交叉熵损失。

示例

>>> target = keras.ops.convert_to_tensor([0, 1, 2], dtype=int32)
>>> output = keras.ops.convert_to_tensor(
... [[0.9, 0.05, 0.05],
...  [0.1, 0.8, 0.1],
...  [0.2, 0.3, 0.5]])
>>> sparse_categorical_crossentropy(target, output)
array([0.10536056 0.22314355 0.6931472 ], shape=(3,), dtype=float32)

[源代码]

`silu` 函数

keras.ops.swish(x)

Sigmoid 线性单元 (SiLU) 激活函数，也称为 Swish。

SiLU 激活函数通过 sigmoid 函数乘以其输入来计算。定义为 f(x) = x * sigmoid(x)。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = keras.ops.convert_to_tensor([-6.0, 1.0, 0.0, 1.0, 6.0])
>>> keras.ops.sigmoid(x)
array([0.00247262, 0.7310586, 0.5, 0.7310586, 0.9975274], dtype=float32)
>>> keras.ops.silu(x)
array([-0.0148357, 0.7310586, 0.0, 0.7310586, 5.9851646], dtype=float32)

[源代码]

`hard_silu` 函数

keras.ops.hard_swish(x)

硬 SiLU 激活函数，也称为 Hard Swish。

定义为

0 if if x < -3
x if x > 3
x * (x + 3) / 6 if -3 <= x <= 3

它是 silu 激活函数的一种更快速、分段线性的近似。

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = keras.ops.convert_to_tensor([-3.0, -1.0, 0.0, 1.0, 3.0])
>>> keras.ops.hard_silu(x)
array([-0.0, -0.3333333, 0.0, 0.6666667, 3.0], shape=(5,), dtype=float32)

[源代码]

`celu` 函数

keras.ops.celu(x, alpha=1.0)

连续可微指数线性单元。

定义为

f(x) = alpha * (exp(x / alpha) - 1) for x < 0，f(x) = x for x >= 0。

参数

x：输入张量。
alpha: CELU 公式中的 α 值。默认为 1.0。

形状与 x 相同的张量。

示例

>>> x = np.array([-1., 0., 1.])
>>> x_celu = keras.ops.celu(x)
>>> print(x_celu)
array([-0.63212056, 0. , 1. ], shape=(3,), dtype=float64)

[源代码]

`sparsemax` 函数

keras.ops.sparsemax(x, axis=-1)

Sparsemax 激活函数。

对于每个批次 i 和类别 j，sparsemax 激活函数定义为

sparsemax(x)[i, j] = max(x[i, j] - τ(x[i, :]), 0)。

参数

x：输入张量。
axis: int，应用 sparsemax 操作的轴。

一个张量，sparsemax 变换的输出。具有与 x 相同的类型和形状。

示例

>>> x = np.array([-1., 0., 1.])
>>> x_sparsemax = keras.ops.sparsemax(x)
>>> print(x_sparsemax)
array([0., 0., 1.], shape=(3,), dtype=float64)

[源代码]

`squareplus` 函数

keras.ops.squareplus(x, b=4)

Squareplus 激活函数。

Squareplus 激活函数定义为

f(x) = (x + sqrt(x^2 + b)) / 2

参数

x：输入张量。
b: 平滑度参数。默认为 4。

形状与 x 相同的张量。

示例

>>> x = np.array([-1.0, 0.0, 1.0])
>>> x_squareplus = keras.ops.squareplus(x)
>>> print(x_squareplus)
array([0.6180, 1.0000, 1.6180], dtype=float32)

[源代码]

`sparse_plus` 函数

keras.ops.sparse_plus(x)

SparsePlus 激活函数。

定义为

f(x) = 0 for x <= -1. f(x) = (1/4) * (x + 1)^2 for -1 < x < 1. f(x) = x for x >= 1.

参数

x：输入张量。

形状与 x 相同的张量。

示例

>>> x = np.array([-1.0, 0.0, 1.0])
>>> x_sparse_plus = keras.ops.sparse_plus(x)
>>> print(x_sparse_plus)
Array([0.   0.25 1.  ], shape=(3,), dtype=float32)

[源代码]

`soft_shrink` 函数

keras.ops.soft_shrink(x, threshold=0.5)

Soft Shrink 激活函数。

定义为

f(x) = x - threshold if x > threshold, f(x) = x + threshold if x < -threshold, f(x) = 0 otherwise。

参数

x：输入张量。
threshold: 阈值。默认为 0.5。

形状与 x 相同的张量。

示例

>>> x = np.array([-1.0, 0.0, 1.0])
>>> x_soft_shrink = keras.ops.soft_shrink(x)
>>> print(x_soft_shrink)
array([-0.5  0.   0.5], shape=(3,), dtype=float64)

[源代码]

`threshold` 函数

keras.ops.threshold(x, threshold, default_value)

阈值激活函数。

该函数按如下方式对输入 x 进行阈值处理：f(x) = x if x > threshold, f(x) = default_value otherwise。

参数

x：输入张量。
threshold: 决定何时保留或替换 x 的值。
default_value: 当 x <= threshold 时分配的值。

形状与 x 相同的张量。

示例

>>> x = np.array([-1.0, 0.0, 1.0, 2.0])
>>> x_threshold = keras.ops.threshold(x, 1, 0)
>>> print(x_threshold)
array([0., 0., 0., 2.], shape=(4,), dtype=float64)

[源代码]

`glu` 函数

keras.ops.glu(x, axis=-1)

门控线性单元 (GLU) 激活函数。

定义为

f(x) = a * sigmoid(b)，其中 x 沿给定轴分割为 a 和 b。

参数

x：输入张量。
axis: 分割输入张量的轴。默认为 -1。

形状是输入一半的张量。

示例

>>> x = np.array([-1., 0., 1. , 1.])
>>> x_glu = keras.ops.glu(x)
>>> print(x_glu)
array([-0.73105858, 0. ], shape=(2,), dtype=float64)

[源代码]

`tanh_shrink` 函数

keras.ops.tanh_shrink(x)

逐元素应用 tanh 收缩函数。

定义为

f(x) = x - tanh(x).

参数

x：输入张量。

形状与 x 相同的输出张量，其中每个元素根据 tanh 收缩操作进行转换。

示例

>>> x = np.array([ -1., 0., 1.])
>>> x_tanh_shrink = keras.ops.tanh_shrink(x)
>>> print(x_tanh_shrink)
array([-0.23840584  0.  0.23840584], shape=(3,), dtype=float64)

[源代码]

`hard_tanh` 函数

keras.ops.hard_tanh(x)

逐元素应用 HardTanh 函数。

定义为

f(x) = -1 for x < -1，f(x) = x for -1 <= x <= 1，f(x) = 1 for x > 1。

参数

x：输入张量。

形状与 x 相同的输出张量，值被限制在 -1 和 1 之间。

示例

>>> x = np.array([-2., -1., 0., 1., 2.])
>>> x_hard_tanh = keras.ops.hard_tanh(x)
>>> print(x_hard_tanh)
array([-1. -1.  0.  1.  1.], shape=(5,), dtype=float64)

[源代码]

`hard_shrink` 函数

keras.ops.hard_shrink(x, threshold=0.5)

Hard Shrink 激活函数。

Hard Shrink 函数是一个阈值操作，定义为

f(x) = x if |x| > threshold, f(x) = 0 otherwise。

参数

x：输入张量。
threshold: 阈值。默认为 0.5。

形状与 x 相同的张量。

示例

>>> x = np.array([-0.5, 0., 1.])
>>> x_hard_shrink = keras.ops.hard_shrink(x)
>>> print(x_hard_shrink)
array([0. 0. 1.], shape=(3,), dtype=float64)

NN ops

average_pool 函数

batch_normalization 函数

binary_crossentropy 函数

categorical_crossentropy 函数

conv 函数

conv_transpose 函数

ctc_decode 函数

ctc_loss 函数

depthwise_conv 函数

dot_product_attention 函数

elu 函数

gelu 函数

hard_sigmoid 函数

leaky_relu 函数

log_sigmoid 函数

log_softmax 函数

max_pool 函数

moments 函数

multi_hot 函数

normalize 函数

one_hot 函数

psnr 函数

relu 函数

relu6 函数

selu 函数

separable_conv 函数

sigmoid 函数

silu 函数

hard_silu 函数

softmax 函数

softplus 函数

softsign 函数

sparse_categorical_crossentropy 函数

silu 函数

hard_silu 函数

celu 函数

sparsemax 函数

squareplus 函数

sparse_plus 函数

soft_shrink 函数

threshold 函数

glu 函数

tanh_shrink 函数

hard_tanh 函数

hard_shrink 函数

NN ops

average_pool 函数

batch_normalization 函数

binary_crossentropy 函数

categorical_crossentropy 函数

conv 函数

conv_transpose 函数

ctc_decode 函数

ctc_loss 函数

depthwise_conv 函数

dot_product_attention 函数

elu 函数

gelu 函数

hard_sigmoid 函数

leaky_relu 函数

log_sigmoid 函数

log_softmax 函数

max_pool 函数

moments 函数

multi_hot 函数

normalize 函数

one_hot 函数

psnr 函数

relu 函数

relu6 函数

selu 函数

separable_conv 函数

sigmoid 函数

silu 函数

hard_silu 函数

softmax 函数

softplus 函数

softsign 函数

sparse_categorical_crossentropy 函数

silu 函数

hard_silu 函数

celu 函数

sparsemax 函数

squareplus 函数

sparse_plus 函数

soft_shrink 函数

threshold 函数

glu 函数

tanh_shrink 函数

hard_tanh 函数

hard_shrink 函数

`average_pool` 函数

`batch_normalization` 函数

`binary_crossentropy` 函数

`categorical_crossentropy` 函数

`conv` 函数

`conv_transpose` 函数

`ctc_decode` 函数

`ctc_loss` 函数

`depthwise_conv` 函数

`dot_product_attention` 函数

`elu` 函数

`gelu` 函数

`hard_sigmoid` 函数

`leaky_relu` 函数

`log_sigmoid` 函数

`log_softmax` 函数

`max_pool` 函数

`moments` 函数

`multi_hot` 函数

`normalize` 函数

`one_hot` 函数

`psnr` 函数

`relu` 函数

`relu6` 函数

`selu` 函数

`separable_conv` 函数

`sigmoid` 函数

`silu` 函数

`hard_silu` 函数

`softmax` 函数

`softplus` 函数

`softsign` 函数

`sparse_categorical_crossentropy` 函数

`silu` 函数

`hard_silu` 函数

`celu` 函数

`sparsemax` 函数

`squareplus` 函数

`sparse_plus` 函数

`soft_shrink` 函数

`threshold` 函数

`glu` 函数

`tanh_shrink` 函数

`hard_tanh` 函数

`hard_shrink` 函数