函数引用

Keras模型
`keras_model ()`	Keras模型
`keras_model_sequential ()`	Keras模型由线性叠加的层组成
`keras_model_custom ()`	创建一个Keras自定义模型
`multi_gpu_model ()`	在不同的gpu上复制一个模型。
`总结(< keras.engine.training.Model >）`	打印Keras模型的摘要
`编译(< keras.engine.training.Model >）`	为培训配置一个Keras模型
`评估(< keras.engine.training.Model >）`	评估一个Keras模型
`export_savedmodel (< keras.engine.training.Model >）`	导出已保存的模型
`fit (< keras.engine.training.Model >）`	训练一个Keras模型
`fit_generator ()`	用生成器批量生成的数据拟合模型。
`evaluate_generator ()`	在数据生成器上计算模型。
`预测(< keras.engine.training.Model >）`	从Keras模型生成预测
`predict_proba ()predict_classes ()`	为输入样本生成概率或类概率预测。
`predict_on_batch ()`	返回单个批次样本的预测。
`predict_generator ()`	从数据生成器为输入样本生成预测。
`train_on_batch ()test_on_batch ()`	单梯度更新或对一批样本的模型评估。
`get_layer ()`	根据层的名称(唯一)或索引检索层。
`pop_layer ()`	移除模型中的最后一层
`save_model_hdf5 ()load_model_hdf5 ()`	使用HDF5文件保存/加载模型
`serialize_model ()unserialize_model ()`	将模型序列化为R对象
`clone_model ()`	克隆一个模型实例。
`freeze_weights ()unfreeze_weights ()`	冻结和解冻重量
芯层
`layer_input ()`	输入层
`layer_dense ()`	在输出中添加一个密集连接的NN层
`layer_activation ()`	对输出应用激活函数。
`layer_dropout ()`	将Dropout应用到输入。
`layer_reshape ()`	将输出重塑为特定形状。
`layer_permute ()`	根据给定的模式排列输入的维度
`layer_repeat_vector ()`	重复输入n次。
`layer_lambda ()`	将任意表达式包装为一层
`layer_activity_regularization ()`	对基于成本函数的输入活动应用更新的层。
`layer_masking ()`	通过使用掩码值跳过时间步骤来掩码序列。
`layer_flatten ()`	趋于平缓的输入
卷积的层
`layer_conv_1d ()`	一维卷积层(如时域卷积)。
`layer_conv_1d_transpose ()`	转置1D卷积层(有时称为反卷积)。
`layer_conv_2d ()`	二维卷积层(例如图像上的空间卷积)。
`layer_conv_2d_transpose ()`	转置的二维卷积层(有时称为反卷积)。
`layer_conv_3d ()`	3D卷积层(例如，体积上的空间卷积)。
`layer_conv_3d_transpose ()`	转置3D卷积层(有时称为反卷积)。
`layer_conv_lstm_2d ()`	卷积LSTM。
`layer_separable_conv_1d ()`	深度可分离的一维卷积。
`layer_separable_conv_2d ()`	可分二维卷积。
`layer_depthwise_conv_2d ()`	深度可分二维卷积。
`layer_upsampling_1d ()`	一维输入的上采样层。
`layer_upsampling_2d ()`	二维输入的上采样层。
`layer_upsampling_3d ()`	上采样层用于3D输入。
`layer_zero_padding_1d ()`	零填充层的1D输入(如时间序列)。
`layer_zero_padding_2d ()`	二维输入(如图片)的零填充层。
`layer_zero_padding_3d ()`	3D数据(空间或时空)的零填充层。
`layer_cropping_1d ()`	裁剪层为1D输入(如时间序列)。
`layer_cropping_2d ()`	裁剪层用于2D输入(例如图片)。
`layer_cropping_3d ()`	裁剪层的3D数据(例如空间或时空)。
汇聚层
`layer_max_pooling_1d ()`	对时态数据的最大池操作。
`layer_max_pooling_2d ()`	空间数据的最大池操作。
`layer_max_pooling_3d ()`	对3D数据(空间或时空)的最大池化操作。
`layer_average_pooling_1d ()`	时间数据的平均池。
`layer_average_pooling_2d ()`	空间数据的平均池化操作。
`layer_average_pooling_3d ()`	对3D数据(空间或时空)的平均池化操作。
`layer_global_max_pooling_1d ()`	时态数据的全局最大池操作。
`layer_global_average_pooling_1d ()`	用于时态数据的全局平均池操作。
`layer_global_max_pooling_2d ()`	空间数据的全局最大池操作。
`layer_global_average_pooling_2d ()`	空间数据的全球平均池化操作。
`layer_global_max_pooling_3d ()`	全局最大的3D数据池操作。
`layer_global_average_pooling_3d ()`	3D数据的全球平均池操作。
激活层
`layer_activation ()`	对输出应用激活函数。
`layer_activation_relu ()`	校正线性单元激活功能
`layer_activation_leaky_relu ()`	整流线性单元的漏版。
`layer_activation_parametric_relu ()`	参数整流线性单元。
`layer_activation_thresholded_relu ()`	阈值整流线性单元。
`layer_activation_elu ()`	指数线性单元。
`layer_activation_softmax ()`	Softmax激活函数。
辍学层
`layer_dropout ()`	将Dropout应用到输入。
`layer_spatial_dropout_1d ()`	Dropout的空间一维版本。
`layer_spatial_dropout_2d ()`	Dropout的空间2D版本。
`layer_spatial_dropout_3d ()`	空间3D版本的Dropout。
本地连接层
`layer_locally_connected_1d ()`	本地连接层的1D输入。
`layer_locally_connected_2d ()`	2D输入的本地连接层。
复发性层
`layer_simple_rnn ()`	全连接RNN输出反馈到输入。
`layer_gru ()`	门控循环单元- Cho等。
`layer_cudnn_gru ()`	快速GRU实现的支持CuDNN．
`layer_lstm ()`	长短时记忆单元- Hochreiter 1997。
`layer_cudnn_lstm ()`	快速LSTM实现支持CuDNN．
嵌入层
`layer_embedding ()`	将正整数(索引)转换为固定大小的密集向量。
归一化层
`layer_batch_normalization ()`	批处理归一化层(Ioffe和Szegedy, 2014)。
噪声层
`layer_gaussian_noise ()`	应用加性零中心高斯噪声。
`layer_gaussian_dropout ()`	应用以1为中心的乘法高斯噪声。
`layer_alpha_dropout ()`	对输入应用Alpha Dropout。
合并图层
`layer_add ()`	添加输入列表的层。
`layer_subtract ()`	减去两个输入的层。
`layer_multiply ()`	将输入列表(按元素顺序)相乘的层。
`layer_average ()`	对输入列表求平均值的层。
`layer_maximum ()`	层，该层计算输入列表的最大值(按元素计算)。
`layer_minimum ()`	层，计算输入列表的最小值(按元素计算)。
`layer_concatenate ()`	连接输入列表的层。
`layer_dot ()`	计算两个张量样本之间的点积的层。
一层包装
`time_distributed ()`	对输入的每个时间片应用一个层。
`双向()`	rnn的双向包装器。
层方法
`get_config ()from_config ()`	层/模型配置
`get_weights ()set_weights ()`	层/模型权重为R数组
`get_input_at ()get_output_at ()get_input_shape_at ()get_output_shape_at ()get_input_mask_at ()get_output_mask_at ()`	检索具有多个节点的层的张量
`count_params ()`	计算构成权重的标量的总数。
`reset_states ()`	重置一个层的状态
自定义图层
`KerasLayer`	Keras层的基本R6类
`create_layer ()`	创建一个Keras图层
模型的持久性
`save_model_hdf5 ()load_model_hdf5 ()`	使用HDF5文件保存/加载模型
`save_model_weights_hdf5 ()load_model_weights_hdf5 ()`	使用HDF5文件保存/加载模型权重
`serialize_model ()unserialize_model ()`	将模型序列化为R对象
`get_weights ()set_weights ()`	层/模型权重为R数组
`get_config ()from_config ()`	层/模型配置
`model_to_json ()model_from_json ()`	模型配置为JSON
`model_to_yaml ()model_from_yaml ()`	模型配置为YAML
数据集
`dataset_cifar10 ()`	CIFAR10小图像分类
`dataset_cifar100 ()`	CIFAR100小图像分类
`dataset_imdb ()dataset_imdb_word_index ()`	IMDB电影评论情感分类
`dataset_reuters ()dataset_reuters_word_index ()`	路透社新闻专线的主题分类
`dataset_mnist ()`	手写数字的MNIST数据库
`dataset_fashion_mnist ()`	fashion - mnist时尚文章数据库
`dataset_boston_housing ()`	波士顿房价回归数据集
应用程序
`application_xception ()xception_preprocess_input ()`	Keras的V1模型异常。
`application_inception_v3 ()inception_v3_preprocess_input ()`	Inception V3模型，在ImageNet上预训练权重。
`application_inception_resnet_v2 ()inception_resnet_v2_preprocess_input ()`	Inception-ResNet v2模型，在ImageNet上训练权重
`application_vgg16 ()application_vgg19 ()`	Keras的VGG16和VGG19型号。
`application_resnet50 ()`	ResNet50模型的Keras。
`application_mobilenet ()mobilenet_preprocess_input ()mobilenet_decode_predictions ()mobilenet_load_model_hdf5 ()`	MobileNet模型架构。
`application_mobilenet_v2 ()mobilenet_v2_preprocess_input ()mobilenet_v2_decode_predictions ()mobilenet_v2_load_model_hdf5 ()`	MobileNetV2模型架构
`application_densenet ()application_densenet121 ()application_densenet169 ()application_densenet201 ()densenet_preprocess_input ()`	实例化DenseNet架构。
`application_nasnet ()application_nasnetlarge ()application_nasnetmobile ()nasnet_preprocess_input ()`	实例化一个NASNet模型。
`imagenet_preprocess_input ()`	预处理对一批图像编码的张量或数组。
`imagenet_decode_predictions ()`	解码ImageNet模型的预测。
序列预处理
`pad_sequences ()`	将序列填充到相同的长度
`skipgrams ()`	生成跳转词对。
`make_sampling_table ()`	生成一个基于单词排名的概率抽样表。
文本预处理
`text_tokenizer ()`	文本标记工具
`fit_text_tokenizer ()`	根据文本列表或序列列表更新标记器内部词汇表。
`save_text_tokenizer ()load_text_tokenizer ()`	将文本标记器保存到外部文件
`texts_to_sequences ()`	在整数序列中转换文本中的每个文本。
`texts_to_sequences_generator ()`	在整数序列中转换文本中的每个文本。
`texts_to_matrix ()`	将文本列表转换为矩阵。
`sequences_to_matrix ()`	将序列列表转换为矩阵。
`text_one_hot ()`	One-hot将文本编码到大小为n的词汇表中的单词索引列表中。
`text_hashing_trick ()`	将文本转换为固定大小的哈希空间中的索引序列。
`text_to_word_sequence ()`	将文本转换为单词(或标记)序列。
图像预处理
`image_load ()`	载入图片到PIL格式。
`image_to_array ()image_array_resize ()image_array_save ()`	图像的三维阵列表示
`image_data_generator ()`	生成实时数据增强的批量图像数据。数据将(分批)循环传递。
`fit_image_data_generator ()`	适合图像数据生成器内部统计一些样本数据。
`flow_images_from_data ()`	从图像数据和标签生成批量增强/规范化数据
`flow_images_from_directory ()`	从目录中的图像生成批量数据(带有可选的增强/规范化数据)
`generator_next ()`	从生成器中检索下一项
优化器
`optimizer_sgd ()`	随机梯度下降优化器
`optimizer_rmsprop ()`	RMSProp优化器
`optimizer_adagrad ()`	Adagrad优化器。
`optimizer_adadelta ()`	Adadelta优化器。
`optimizer_adam ()`	亚当优化器
`optimizer_adamax ()`	Adamax优化器
`optimizer_nadam ()`	Nesterov亚当优化器
回调
`callback_progbar_logger ()`	将指标打印到标准输出的回调。
`callback_model_checkpoint ()`	在每个纪元之后保存模型。
`callback_early_stopping ()`	当监控的数量停止提高时停止训练。
`callback_remote_monitor ()`	用于将事件流传输到服务器的回调。
`callback_learning_rate_scheduler ()`	学习速率调度器。
`callback_tensorboard ()`	TensorBoard基本的可视化
`callback_reduce_lr_on_plateau ()`	当指标停止改进时，降低学习率。
`callback_terminate_on_naan ()`	当遇到NaN丢失时终止训练的回调。
`callback_csv_logger ()`	回调，将纪元结果流到csv文件
`callback_lambda ()`	创建自定义回调
`KerasCallback`	用于Keras回调的基本R6类
初始化器
`initializer_zeros ()`	生成初始化为0的张量的初始化器。
`initializer_ones ()`	生成初始化为1的张量的初始化式。
`initializer_constant ()`	生成初始化为常数值的张量的初始化器。
`initializer_random_normal ()`	生成具有正态分布的张量的初始化式。
`initializer_random_uniform ()`	生成具有均匀分布的张量的初始化式。
`initializer_truncated_normal ()`	生成截断正态分布的初始化式。
`initializer_variance_scaling ()`	能够根据权重的形状调整其比例的初始化器。
`initializer_orthogonal ()`	生成随机正交矩阵的初始化器。
`initializer_identity ()`	生成单位矩阵的初始化器。
`initializer_glorot_normal ()`	gloria法向初始化器，也叫Xavier法向初始化器。
`initializer_glorot_uniform ()`	gloria一致初始化器，也叫Xavier一致初始化器。
`initializer_he_normal ()`	他正常的初始值设定项。
`initializer_he_uniform ()`	统一方差缩放初始化器。
`initializer_lecun_uniform ()`	勒存统一的初始值设定项。
`initializer_lecun_normal ()`	勒存正常初始化。
约束
`constraint_maxnorm ()constraint_nonneg ()constraint_unitnorm ()constraint_minmaxnorm ()`	重量限制
`KerasConstraint`	Keras约束的基本R6类
跑龙套
`图(< keras_training_history >）`	情节培训历史
`timeseries_generator ()`	用于生成批量时态数据的效用函数。
`to_categorical ()`	将类向量(整数)转换为二进制类矩阵。
`normalize ()`	规范化一个矩阵或nd-array
`with_custom_object_scope ()`	提供具有名称到自定义对象映射的作用域
`keras_array ()`	Keras数组对象
`hdf5_matrix ()`	用于代替R数组的HDF5数据集的表示
`get_file ()`	如果文件尚未在缓存中，则从URL下载文件。
`再出口`	从其他包导出的对象
`install_keras ()`	安装Keras和TensorFlow后端
`is_keras_available ()`	检查Keras是否可用
`后端()`	Keras后端张量引擎
`实现()`	Keras实现
`use_implementation ()use_backend ()`	选择Keras实现和后端
损失
`loss_mean_squared_error ()loss_mean_absolute_error ()loss_mean_absolute_percentage_error ()loss_mean_squared_logarithmic_error ()loss_squared_hinge ()loss_hinge ()loss_categorical_hinge ()loss_logcosh ()loss_categorical_crossentropy ()loss_sparse_categorical_crossentropy ()loss_kullback_leibler_divergence ()loss_poisson ()loss_cosine_proximity ()loss_cosine_similarity ()`	损失函数模型
指标
`metric_binary_accuracy ()metric_binary_crossentropy ()metric_categorical_accuracy ()metric_categorical_crossentropy ()metric_cosine_proximity ()metric_hinge ()metric_kullback_leibler_divergence ()metric_mean_absolute_error ()metric_mean_absolute_percentage_error ()metric_mean_squared_error ()metric_mean_squared_logarithmic_error ()metric_poisson ()metric_sparse_categorical_crossentropy ()metric_squared_hinge ()metric_top_k_categorical_accuracy ()metric_sparse_top_k_categorical_accuracy ()custom_metric ()`	模型的性能指标
Regularizers
`regularizer_l1 ()regularizer_l2 ()regularizer_l1_l2 ()`	L1和L2正则化
激活
`activation_relu ()activation_elu ()activation_selu ()activation_hard_sigmoid ()activation_linear ()activation_sigmoid ()activation_softmax ()activation_softplus ()activation_softsign ()activation_tanh ()activation_exponential ()`	激活功能
后端
`k_abs ()`	Element-wise绝对值。
`k_all ()`	位约简(逻辑与)。
`k_any ()`	位约简(逻辑或)。
`k_arange ()`	创建一个包含整数序列的1D张量。
`k_argmax ()`	返回最大值沿轴的索引。
`k_argmin ()`	返回沿轴的最小值的索引。
`k_backend ()`	活跃Keras后端
`k_batch_dot ()`	分批点积。
`k_batch_flatten ()`	将一个nD张量转化为具有相同第一维的二维张量。
`k_batch_get_value ()`	返回多于一个张量变量的值。
`k_batch_normalization ()`	应用批量归一化x给定的均值，var，贝塔和。
`k_batch_set_value ()`	同时设置多个张量变量的值。
`k_bias_add ()`	向张量添加一个偏置向量。
`k_binary_crossentropy ()`	输出张量和目标张量之间的二元交叉。
`k_cast ()`	将一个张量转换为不同的dtype并返回。
`k_cast_to_floatx ()`	将数组强制转换为默认的Keras浮点类型。
`k_categorical_crossentropy ()`	输出张量和目标张量之间的分类交叉。
`k_clear_session ()`	销毁当前TF图并创建一个新的TF图。
`k_clip ()`	剪裁Element-wise价值。
`k_concatenate ()`	沿着指定的轴连接张量列表。
`k_constant ()`	产生一个常数张量。
`k_conv1d ()`	一维卷积。
`k_conv2d ()`	二维卷积。
`k_conv2d_transpose ()`	二维反褶积(即转置卷积)。
`k_conv3d ()`	3 d卷积。
`k_conv3d_transpose ()`	三维反褶积(即转置卷积)。
`k_cos ()`	计算cosx元素。
`k_count_params ()`	返回Keras变量或张量中的静态元素数量。
`k_ctc_batch_cost ()`	在每个批处理元素上运行CTC丢失算法。
`k_ctc_decode ()`	解码softmax的输出。
`k_ctc_label_dense_to_sparse ()`	将CTC标签从密集转换为稀疏。
`k_cumprod ()`	张量中各值沿指定轴的累积积。
`k_cumsum ()`	张量中沿指定轴的值的累积和。
`k_depthwise_conv2d ()`	可分离滤波器的深度二维卷积。
`k_dot ()`	乘以两个张量(和/或变量)并返回a张量．
`k_dropout ()`	设置条目`x`随机到零，同时缩放整个张量。
`k_dtype ()`	返回Keras张量或变量的dtype，作为字符串。
`k_elu ()`	指数线性单元。
`k_epsilon ()k_set_epsilon ()`	数值表达式中的模糊因子。
`k_equal ()`	两个张量之间的元素平等。
`k_eval ()`	计算变量的值。
`k_exp ()`	Element-wise指数。
`k_expand_dims ()`	在索引处添加1大小的维度`轴`．
`k_eye ()`	实例化一个单位矩阵并返回它。
`k_flatten ()`	平张量。
`k_floatx ()k_set_floatx ()`	默认的浮子式
`k_foldl ()`	减少elems使用fn从左到右组合他们。
`k_foldr ()`	使用fn从右向左组合elems。
`k_function ()`	实例化一个Keras函数
`k_gather ()`	检索索引的元素`指数`在张量`参考`．
`k_get_session ()k_set_session ()`	后端使用的TF会话。
`k_get_uid ()`	获取默认图形的uid。
`k_get_value ()`	返回变量的值。
`k_get_variable_shape ()`	返回变量的形状。
`k_gradients ()`	返回的梯度`变量`关于`损失`．
`k_greater ()`	(x > y)的元素真值。
`k_greater_equal ()`	(x >= y)的元素真值。
`k_hard_sigmoid ()`	分段线性逼近的sigmoid。
`k_identity ()`	返回一个与输入张量内容相同的张量。
`k_image_data_format ()k_set_image_data_format ()`	默认的图像数据格式约定('channels_first'或'channels_last')。
`k_in_test_phase ()`	选择`x`在测试阶段，和`alt`否则。
`k_in_top_k ()`	返回是否`目标`都在顶端`k预测`．
`k_in_train_phase ()`	选择`x`在训练阶段，和`alt`否则。
`k_int_shape ()`	将张量或变量的形状作为int或NULL项的列表返回。
`k_is_keras_tensor ()`	返回是否`x`是一个克拉张量。
`k_is_placeholder ()`	返回是否`x`是一个占位符。
`k_is_sparse ()`	返回一个张量是否是稀疏张量。
`k_is_tensor ()`	返回是否`x`是符号张量。
`k_l2_normalize ()`	沿着指定的轴，归一化一个L2范数的张量。
`k_learning_phase ()`	返回学习阶段标志。
`k_less ()`	(x < y)的元素真值。
`k_less_equal ()`	(x <= y)的元素真值。
`k_local_conv1d ()`	应用非共享权值的1D转换。
`k_local_conv2d ()`	使用非共享权值应用2D conv。
`k_log ()`	Element-wise日志。
`k_logsumexp ()`	计算log(sum(exp(张量的跨维元素)))。
`k_manual_variable_initialization ()`	设置手动变量初始化标志。
`k_map_fn ()`	将函数fn映射到元素elems上并返回输出。
`k_max ()`	张量的最大值。
`k_maximum ()`	两个张量的元素最大值。
`k_mean ()`	一个张量的均值，沿着指定的轴。
`k_min ()`	张量的最小值。
`k_minimum ()`	两个张量的元素最小值。
`k_moving_average_update ()`	计算一个变量的移动平均。
`k_ndim ()`	以整数形式返回张量的轴数。
`k_normalize_batch_in_training ()`	计算批处理的平均值和标准，然后对批处理应用batch_归一化。
`k_not_equal ()`	两个张量之间的元素不等。
`k_one_hot ()`	计算一个整数张量的单热表示。
`k_ones ()`	实例化一个全1张量变量并返回它。
`k_ones_like ()`	实例化一个与另一个张量形状相同的全一变量。
`k_permute_dimensions ()`	在张量中排列坐标轴。
`k_placeholder ()`	实例化一个占位符张量并返回它。
`k_pool2d ()`	2 d池。
`k_pool3d ()`	3 d池。
`k_pow ()`	Element-wise求幂。
`k_print_tensor ()`	打印`消息`求值时的张量值。
`k_prod ()`	沿着指定的轴乘以张量中的值。
`k_random_binomial ()`	返回一个具有随机二项分布值的张量。
`k_random_normal ()`	返回一个具有正态分布的张量。
`k_random_normal_variable ()`	用从正态分布中提取的值实例化一个变量。
`k_random_uniform ()`	返回一个值分布均匀的张量。
`k_random_uniform_variable ()`	用从均匀分布中提取的值实例化一个变量。
`k_relu ()`	线性整流函数
`k_repeat ()`	重复一个2D张量。
`k_repeat_elements ()`	沿着轴重复一个张量的元素。
`k_reset_uids ()`	重置图像标识符。
`k_reshape ()`	将一个张量重塑为指定的形状。
`k_resize_images ()`	调整包含在4D张量中的图像的大小。
`k_resize_volumes ()`	调整5D张量中包含的体积。
`k_reverse ()`	沿着指定的轴反转一个张量。
`k_rnn ()`	迭代一个张量的时间维数
`k_round ()`	按元素舍入到最接近的整数。
`k_separable_conv2d ()`	可分离滤波器的二维卷积。
`k_set_learning_phase ()`	将学习阶段设置为固定值。
`k_set_value ()`	从R数组中设置变量的值。
`k_shape ()`	返回一个张量或变量的符号形状。
`k_sigmoid ()`	Element-wise乙状结肠。
`k_sign ()`	Element-wise迹象。
`k_sin ()`	计算sin (x)
`k_softmax ()`	张量的软最大值。
`k_softplus ()`	张量的软加。
`k_softsign ()`	张量的软符号。
`k_sparse_categorical_crossentropy ()`	具有整数目标的分类交叉熵。
`k_spatial_2d_padding ()`	填充4D张量的2维和3维。
`k_spatial_3d_padding ()`	pad 5D张量沿深度，高度，宽度维度为零。
`k_sqrt ()`	Element-wise平方根。
`k_square ()`	Element-wise广场。
`k_squeeze ()`	从下标处的张量中移除一个1维`轴`．
`k_stack ()`	堆叠一个秩列表`R`张量变成一个秩`R + 1`张量。
`k_std ()`	张量沿指定轴的标准差。
`k_stop_gradient ()`	返回`变量`但其他变量的梯度为零。
`k_sum ()`	一个张量的值的和，沿着指定的轴。
`k_switch ()`	根据标量值在两个操作之间切换。
`k_tanh ()`	Element-wise双曲正切。
`k_temporal_padding ()`	填充三维张量的中间维度。
`k_tile ()`	通过平铺创建一个张量`x`通过`n`．
`k_to_dense ()`	将稀疏张量转换为密集张量并返回。
`k_transpose ()`	转置一个张量并返回它。
`k_truncated_normal ()`	返回一个带有截断随机正态分布值的张量。
`k_update ()`	的值更新`x`来`new_x`．
`k_update_add ()`	的值更新`x`通过添加`增量`．
`k_update_sub ()`	的值更新`x`通过减去`减量`．
`k_var ()`	张量沿指定轴的方差。
`k_variable ()`	实例化一个变量并返回它。
`k_zeros ()`	实例化一个全0变量并返回它。
`k_zeros_like ()`	实例化一个与另一个张量形状相同的全零变量。

函数引用

Keras模型

芯层

卷积的层

汇聚层

激活层

辍学层

本地连接层

复发性层

嵌入层

归一化层

噪声层

合并图层

一层包装

层方法

自定义图层

模型的持久性

数据集

应用程序

序列预处理

文本预处理

图像预处理

优化器

回调

初始化器

约束

跑龙套

损失

指标

Regularizers

激活

后端