如下所示：
keras.backend.clip(x, min_value, max_value)
逐元素clip（将超出指定范围的数强制变为边界值）
参数
x: 张量或变量。
min_value: Python 浮点或整数。
max_value: Python 浮点或整数。
返回
一个张量。
import tensorflow as tf from keras import backend a = tf.constant(2.1) #定义tensor常量 b = backend.clip(a, 0, 1) with tf.Session() as sess: print (sess.run(b)) >1.0
Keras中可以利用backend中的一些函数来自定义模型的评估标准。
补充知识：keras中merge用法
首先keras的文档中是这样给出的，把若干个层合并成一个层
keras.engine.topology.Merge(layers=None, mode='sum', concat_axis=-1, dot_axes=-1, output_shape=None, node_indices=None, tensor_indices=None, name=None)
layers：该参数为Keras张量的列表，或Keras层对象的列表。该列表的元素数目必须大于1。
mode：合并模式，如果为字符串，则为下列值之一{“sum”，“mul”，“concat”，“ave”，“cos”，“dot”}
其中sum和mul是对待合并层输出做一个简单的求和、乘积运算，因此要求待合并层输出shape要一致。concat是将待合并层输出沿着最后一个维度进行拼接，因此要求待合并层输出只有最后一个维度不同。
下面我要说的主要针对训练时，Merge是一个层对象，在多个sequential组成的网络模型中，如果
x：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array
y：标签，numpy array
否则运行时很可能会提示意思就是你输入的维度与实际不符，好了，说什么都不如写一个代码来的实际：
model_left= Sequential()
model_left.add(Dense(50, input_shape=(784,)))
model_left.add(Activation('relu'))
model_right = Sequential()
model_right.add(Dense(50, input_shape=(784,)))
model_rightadd(Activation('relu'))
model = Sequential()
model.add(Merge([model_left,model_right], mode='concat'))
model.add(Dense(10))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam',
metrics=['accuracy'])
model.fit([X_train, X_train], Y_train, batch_size=64, nb_epoch=30, validation_data=([X_test, X_test], Y_test))
以上这篇keras中的backend.clip用法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！
