From 3983986303804a189d55d85a3a23b4243609b3aa Mon Sep 17 00:00:00 2001
From: Steve Sun <1638650145@qq.com>
Date: Fri, 18 Sep 2020 11:15:36 +0800
Subject: [PATCH] 20200918

---
 API.md    | 195 ++++++++++++++++++++++++++++++++++--------------------
 README.md |   6 +-
 2 files changed, 128 insertions(+), 73 deletions(-)

diff --git a/API.md b/API.md
index 83b4428..a98c4e4 100644
--- a/API.md
+++ b/API.md
@@ -517,7 +517,17 @@ np.argmax(a=arr,  # 输入的数组|array_like
           axis=None)  # 筛选所沿的维度|int|None|可选 
 ```
 
-## 6.5.asarray()
+## 6.5.around()
+
+逐元素四舍五入取整|numpy.ndarray
+
+```python
+import numpy as np
+arr = [1.4, 1.6]
+x = np.around(a=arr)  # 输入的数组|array-like
+```
+
+## 6.6.asarray()
 
 将输入转化为一个数组|numpy.ndarray
 
@@ -528,7 +538,7 @@ nd_arr = np.asarray(a=arr,  # 输入的数据|array-like
                     dtype=None)  # 元素的数据类型|data-type|None|可选
 ```
 
-## 6.6.ceil()
+## 6.7.ceil()
 
 逐元素进行向上取整|numpy.float64(输入是数组时numpy.ndarray)
 
@@ -538,7 +548,7 @@ arr = [5.1, 4.9]
 np.ceil(arr)  # 输入数据|array_like
 ```
 
-## 6.7.concatenate()
+## 6.8.concatenate()
 
 按照指定维度合并多个数组|numpy.ndarray
 
@@ -551,7 +561,7 @@ np.concatenate([arr1, arr2, arr3],  # 要合并的数组|array-like
                axis=1)  # 沿指定维度合并|int|0|可选
 ```
 
-## 6.8.dot()
+## 6.9.dot()
 
 计算两个数组的点乘|numpy.ndarray
 
@@ -562,7 +572,7 @@ arr2 = [[1], [2], [3]]
 np.dot(a=arr1, b=arr2)  # 输入的数组|array-like
 ```
 
-## 6.9.equal()
+## 6.10.equal()
 
 逐个元素判断是否一致|numpy.bool_(输入是数组时numpy.ndarray)
 
@@ -573,7 +583,7 @@ arr2 = [1, 2, 2]
 np.equal(arr1, arr2)  # 输入的数组|array-like
 ```
 
-## 6.10.exp()
+## 6.11.exp()
 
 逐元素计算e的幂次|numpy.float64(输入是数组时numpy.ndarray)
 
@@ -583,7 +593,7 @@ arr = [1, 2, 3]
 np.exp(arr)  # 输入数据|array-like
 ```
 
-## 6.11.expand_dims()
+## 6.12.expand_dims()
 
 扩展数组的形状，增加维度|numpy.ndarray
 
@@ -594,7 +604,7 @@ a = np.expand_dims(a=a,  # 输入的数组|array-like
                    axis=0)  # 添加新维度的位置|int or tuple of ints
 ```
 
-## 6.12.eye()
+## 6.13.eye()
 
 生成一个单位阵|numpy.ndarray
 
@@ -603,7 +613,7 @@ import numpy as np
 matrix = np.eye(N=3)  # 矩阵的行数|int
 ```
 
-## 6.13.hstack()
+## 6.14.hstack()
 
 按照水平顺序合成一个新的数组|numpy.ndarray
 
@@ -614,13 +624,13 @@ arr2 = [[5, 6], [5, 6]]
 a = np.hstack(tup=(arr1, arr2))  # 数组序列|array-like
 ```
 
-## 6.14.linalg
+## 6.15.linalg
 
 | 版本 | 描述                  | 注意 |
 | ---- | --------------------- | ---- |
 | -    | numpy的线性代数函数包 |      |
 
-### 6.14.1.inv()
+### 6.15.1.inv()
 
 计算矩阵的逆|numpy.ndarray
 
@@ -631,7 +641,7 @@ arr = [[1, 2],
 matrix = np.linalg.inv(a=arr)  # 输入的矩阵|array_like
 ```
 
-### 6.14.2.norm()
+### 6.15.2.norm()
 
 计算范数|numpy.float64
 
@@ -642,7 +652,7 @@ np.linalg.norm(x=arr,  # 输入的矩阵或向量|array_like(维数必须是1维
                ord=1)  # 范数选项｜int or str(non-zero|int|inf|-inf|'fro'|'nuc')|None(计算2-范数)|可选
 ```
 
-## 6.15.linspace()
+## 6.16.linspace()
 
 生成指定间隔内的等差序列|numpy.ndarray
 
@@ -653,7 +663,7 @@ np.linspace(start=1,  # 序列的起始值|array_like
             num=10)  # 生成序列的样本的个数|int|50|可选
 ```
 
-## 6.16.load()
+## 6.17.load()
 
 从npy、npz、pickled文件加载数组或pickled对象|array or tuple or dict
 
@@ -664,7 +674,7 @@ np.load(file,  # 文件|file-like object or string or pathlib.Path
         encoding)  # 读取的编码方式|str|'ASCII'|可选
 ```
 
-## 6.17.log()
+## 6.18.log()
 
 逐元素计算自然对数|numpy.float64(输入是数组时numpy.ndarray)
 
@@ -673,7 +683,7 @@ import numpy as np
 np.log(1)  # 输入数据|array_like
 ```
 
-## 6.18.log2()
+## 6.19.log2()
 
 逐元素计算以2为底对数|numpy.float64(输入是数组时numpy.ndarray)
 
@@ -682,7 +692,7 @@ import numpy as np
 np.log2(1)  # 输入数据|array_like
 ```
 
-## 6.19.mat()
+## 6.20.mat()
 
 将输入转换为一个矩阵|numpy.matrix
 
@@ -693,7 +703,7 @@ matrix = np.mat(data=arr  # 输入数据|array-like
                 dtype=None)  # 生成矩阵元素的数据类型|data-type|None|可选
 ```
 
-## 6.20.matmul()
+## 6.21.matmul()
 
 两个数组的矩阵乘积|numpy.ndarray
 
@@ -704,7 +714,7 @@ arr2 = [[1], [2], [3]]
 np.matmul(arr1, arr2)  # 输入的数组|array-like（不能是标量）
 ```
 
-## 6.21.max()
+## 6.22.max()
 
 返回最大值或者沿着某一维度最大值|numpy.ndarray or scalar
 
@@ -715,7 +725,7 @@ np.max(a=arr,  # 输入的数组|array-like
        axis=None)  # 所沿的维度|int|None|可选 
 ```
 
-## 6.22.maximum()
+## 6.23.maximum()
 
 返回数组逐个元素的最大值|numpy.ndarray
 
@@ -726,7 +736,7 @@ arr2 = [1, 5, 2]
 np.maximum(arr1, arr2)  # 输入的数组|array-like
 ```
 
-## 6.23.mean()
+## 6.24.mean()
 
 沿着指定维度计算均值|numpy.float64
 
@@ -737,7 +747,7 @@ np.mean(arr,  # 输入的数组|array-like
         axis=None)  # 所沿的维度|int or tuple of ints|None|可选 
 ```
 
-## 6.24.meshgrid()
+## 6.25.meshgrid()
 
 生成一个坐标矩阵|list of numpy.ndarray
 
@@ -748,7 +758,7 @@ y_crood = np.linspace(0, 4, 5)
 vector_matrix = np.meshgrid(x_crood, y_crood)  # 坐标向量|array_like
 ```
 
-## 6.25.nonzero()
+## 6.26.nonzero()
 
 返回非零元素的索引|tuple
 
@@ -758,7 +768,7 @@ arr = np.asarray([1, 2, 3, 4, 0, 0, 5])
 np.nonzero(a=arr)  # 输入的数组|array-like
 ```
 
-## 6.26.ones()
+## 6.27.ones()
 
 创建一个指定为形状和类型的全一数组|numpy.ndarray
 
@@ -768,7 +778,7 @@ arr = np.ones(shape=[2, 3],  # 数组的形状|int or sequence of ints
               dtype=np.int8)  # 数组元素的数据类型|data-type|numpy.float64|可选
 ```
 
-## 6.27.power()
+## 6.28.power()
 
 逐个元素计算第一个元素的第二个元素次幂|scalar(输入是数组时numpy.ndarray)
 
@@ -777,13 +787,13 @@ import numpy as np
 x = np.power(2.1, 3.2)   # x1底数、x2指数|array_like
 ```
 
-## 6.28.random
+## 6.29.random
 
 | 版本 | 描述                    | 注意 |
 | ---- | ----------------------- | ---- |
 | -    | numpy的随机数生成函数包 |      |
 
-### 6.28.1.normal()
+### 6.29.1.normal()
 
 生成正态分布的样本|numpy.ndarray or scalar
 
@@ -792,7 +802,7 @@ import numpy as np
 arr = np.random.normal(size=[2, 3])  # 形状|int or tuple of ints|None(None则只返回一个数)|可选
 ```
 
-### 6.28.2.permutation()
+### 6.29.2.permutation()
 
 随机置换序列|numpy.ndarray
 
@@ -802,7 +812,7 @@ arr = [1, 2, 3, 4]
 arr = np.random.permutation(arr)  # 输入的数组|array-like
 ```
 
-### 6.28.3.randint()
+### 6.29.3.randint()
 
 从给定区间[low, high)生成随机整数|int or numpy.ndarray
 
@@ -812,7 +822,7 @@ np.random.randint(low=1,  # 下界|int or array-like of ints
                   high=10)  # 上界|int or array-like of ints|None(如果high为None则返回区间[0, low))|可选
 ```
 
-### 6.28.4.rand()
+### 6.29.4.rand()
 
 生成一个指定形状的随机数数组|float or numpy.ndarray
 
@@ -821,7 +831,7 @@ import numpy as np
 arr = np.random.rand(2, 3)  # 数组的维度|int|(如果形状不指定，仅返回一个随机的浮点数)|可选
 ```
 
-### 6.28.5.randn()
+### 6.29.5.randn()
 
 生成一个指定形状的标准正态分布的随机数数组|float or numpy.ndarray
 
@@ -830,7 +840,7 @@ import numpy as np
 arr = np.random.randn(2, 3)  # 数组的维度|int|(如果形状不指定，仅返回一个随机的浮点数)|可选
 ```
 
-### 6.28.6.seed()
+### 6.29.6.seed()
 
 设置随机数生成器的随机种子
 
@@ -839,7 +849,7 @@ import numpy as np
 np.random.seed(seed)  # 随机种子|int|None|可选
 ```
 
-## 6.29.ravel()
+## 6.30.ravel()
 
 展平一个数组|numpy.ndarray
 
@@ -849,7 +859,7 @@ arr = np.asarray([[1, 2], [3, 4]])
 np.ravel(a=arr)  # 输入的数组|array-like
 ```
 
-## 6.30.reshape()
+## 6.31.reshape()
 
 返回一个具有相同数据的新形状的数组|numpy.ndarray
 
@@ -860,7 +870,7 @@ np.reshape(a=arr,  # 要改变形状的数组|array_like
            newshape=[2, 2])  # 新的形状|int or tuple of ints
 ```
 
-## 6.31.save()
+## 6.32.save()
 
 将数组转换为numpy保存进二进制的npy文件
 
@@ -872,7 +882,7 @@ np.save(file='arr.npy',  # 文件名|file or str or pathlib.Path
         allow_pickle=True)  # 允许使用pickle对象保存数组|bool|True|可选
 ```
 
-## 6.32.sort()
+## 6.33.sort()
 
 返回排序数组的副本|numpy.ndarray
 
@@ -882,7 +892,7 @@ arr = [1, 3, 2, 4]
 new_arr = np.sort(a=arr)  # 要排序的数组|array_like
 ```
 
-## 6.33.split()
+## 6.34.split()
 
 将一个数组拆分为多个|list of ndarrays
 
@@ -894,7 +904,7 @@ arr_list = np.split(ary=arr,  # 要拆分的数组|numpy.ndarray
                     axis=1)  # 沿某维度分割|int|0|可选
 ```
 
-## 6.34.sqrt()
+## 6.35.sqrt()
 
 逐元素计算e的幂次|numpy.float64(输入是数组时numpy.ndarray)
 
@@ -904,7 +914,7 @@ arr = [1, 2, 3]
 np.sqrt(arr)  # 输入数据|array_like
 ```
 
-## 6.35.squeeze()
+## 6.36.squeeze()
 
 删除数组中维度为一的维度|numpy.ndarray
 
@@ -914,7 +924,7 @@ arr = [[1, 2, 3]]
 np.squeeze(arr)  # 输入数据|array_like
 ```
 
-## 6.36.std()
+## 6.37.std()
 
 沿指定维度计算标准差|numpy.float64
 
@@ -925,7 +935,7 @@ np.std(a=arr,  # 输入的数组|array-like
        axis=None)  # 所沿的维度|int or tuple of ints|None|可选
 ```
 
-## 6.37.sum()
+## 6.38.sum()
 
 沿指定维度求和|numpy.ndarray
 
@@ -936,7 +946,7 @@ np.sum(arr,  # 输入的数组|array-like
        axis=1)  # 所沿的维度|int or tuple of ints|None|可选
 ```
 
-## 6.38.transpose()
+## 6.39.transpose()
 
 对数组进行转置|numpy.ndarray
 
@@ -955,7 +965,7 @@ arr = np.asarray([[1, 2], [3, 4]])
 arr.T
 ```
 
-## 6.39.var()
+## 6.40.var()
 
 沿指定维度方差|numpy.ndarray
 
@@ -966,7 +976,7 @@ np.var(arr,  # 输入的数组|array-like
        axis=1)  # 所沿的维度|int or tuple of ints|None|可选
 ```
 
-##6.40.zeros()
+##6.41.zeros()
 
 创建一个指定为形状和类型的全零数组|numpy.ndarray
 
@@ -2016,7 +2026,19 @@ model = EfficientNetB0(include_top=False,  # 是否包含全连接输出层|bool
                        input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
 ```
 
-##### 11.9.1.1.2.EfficientNetB4()
+##### 11.9.1.1.2.EfficientNetB3()
+
+EfficientNetB4的预训练模型|tensorflow.python.keras.engine.functional.Functional
+
+```python
+from tensorflow.keras.applications.efficientnet import EfficientNetB4
+from tensorflow.keras.layers import Input
+model = EfficientNetB3(include_top=False,  # 是否包含全连接输出层|bool|True
+                       weights='imagenet',  # 初始化权重|'imagenet' or None or path|'imagenet'
+                       input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
+```
+
+##### 11.9.1.1.3.EfficientNetB4()
 
 EfficientNetB4的预训练模型|tensorflow.python.keras.engine.functional.Functional
 
@@ -2028,7 +2050,7 @@ model = EfficientNetB4(include_top=False,  # 是否包含全连接输出层|bool
                        input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
 ```
 
-##### 11.9.1.1.3.EfficientNetB7()
+##### 11.9.1.1.4.EfficientNetB7()
 
 EfficientNetB7的预训练模型|tensorflow.python.keras.engine.functional.Functional
 
@@ -2040,7 +2062,7 @@ model = EfficientNetB7(include_top=False,  # 是否包含全连接输出层|bool
                        input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
 ```
 
-##### 11.9.1.1.4.preprocess_input()
+##### 11.9.1.1.5.preprocess_input()
 
 对一个批次的数据进行ImageNet格式的预处理|Preprocessed tensor or numpy.ndarray
 
@@ -2049,9 +2071,21 @@ from tensorflow.keras.applications.efficientnet import preprocess_input
 input = preprocess_input(x)  # 要处理的数据|Tensor or numpy.ndarray
 ```
 
-#### 11.9.1.2.inception_resnet_v2
+#### 11.9.1.2.imagenet_utils
+
+##### 11.9.1.2.1.preprocess_input()
+
+对一个批次的数据进行ImageNet格式的预处理|Preprocessed tensor or numpy.ndarray
+
+```python
+from tensorflow.keras.applications.vgg19 import preprocess_input
+input = preprocess_input(x,  # 要处理的数据|Tensor or numpy.ndarray
+                         mode)  # 转换的模式|str|'caffe' 
+```
+
+#### 11.9.1.3.inception_resnet_v2
 
-##### 11.9.1.2.1.InceptionResNetV2()
+##### 11.9.1.3.1.InceptionResNetV2()
 
 InceptionResNetV2的预训练模型|tensorflow.python.keras.engine.functional.Functional
 
@@ -2063,9 +2097,9 @@ model = InceptionResNetV2(include_top=False,  # 是否包含全连接输出层|b
                           input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
 ```
 
-#### 11.9.1.3.inception_v3
+#### 11.9.1.4.inception_v3
 
-##### 11.9.1.3.1.InceptionV3()
+##### 11.9.1.4.1.InceptionV3()
 
 InceptionV3的预训练模型|tensorflow.python.keras.engine.functional.Functional
 
@@ -2077,9 +2111,9 @@ model = InceptionV3(include_top=False,  # 是否包含全连接输出层|bool|Tr
                     input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
 ```
 
-#### 11.9.1.4.mobilenet_v2
+#### 11.9.1.5.mobilenet_v2
 
-##### 11.9.1.4.1.MobileNetV2()
+##### 11.9.1.5.1.MobileNetV2()
 
 MobileNetV2的预训练模型|tensorflow.python.keras.engine.functional.Functional
 
@@ -2091,9 +2125,9 @@ model = MobileNetV2(include_top=False,  # 是否包含全连接输出层|bool|Tr
                     input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
 ```
 
-#### 11.9.1.5.resnet50
+#### 11.9.1.6.resnet50
 
-##### 11.9.1.5.1.ResNet50()
+##### 11.9.1.6.1.ResNet50()
 
 ```python
 from tensorflow.keras.applications.resnet50 import ResNet50
@@ -2103,32 +2137,35 @@ model = ResNet50(include_top=False,  # 是否包含全连接输出层|bool|True
                  input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
 ```
 
-#### 11.9.1.6.resnet_v2
+#### 11.9.1.7.resnet_v2
 
-##### 11.9.1.6.1.ResNet152V2()
+##### 11.9.1.7.1.ResNet50V2()
 
-ResNet152V2的预训练模型|tensorflow.python.keras.engine.functional.Functional
+ResNet50V2的预训练模型|tensorflow.python.keras.engine.functional.Functional
 
 ```python
 from tensorflow.keras.applications.resnet_v2 import ResNet152V2
 from tensorflow.keras.layers import Input
-model = ResNet152V2(include_top=False,  # 是否包含全连接输出层|bool|True
-                    weights='imagenet',  # 初始化权重|'imagenet' or None or path|'imagenet'
-                    input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
+model = ResNet50V2(include_top=False,  # 是否包含全连接输出层|bool|True
+                   weights='imagenet',  # 初始化权重|'imagenet' or None or path|'imagenet'
+                   input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
 ```
 
-#### 11.9.1.7.vgg19
-
-##### 11.9.1.7.1.preprocess_input()
+##### 11.9.1.7.2.ResNet152V2()
 
-对一个批次的数据进行ImageNet格式的预处理|Preprocessed tensor or numpy.ndarray
+ResNet152V2的预训练模型|tensorflow.python.keras.engine.functional.Functional
 
 ```python
-from tensorflow.keras.applications.vgg19 import preprocess_input
-input = preprocess_input(x)  # 要处理的数据|Tensor or numpy.ndarray
+from tensorflow.keras.applications.resnet_v2 import ResNet152V2
+from tensorflow.keras.layers import Input
+model = ResNet152V2(include_top=False,  # 是否包含全连接输出层|bool|True
+                    weights='imagenet',  # 初始化权重|'imagenet' or None or path|'imagenet'
+                    input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
 ```
 
-##### 11.9.1.7.2.VGG19()
+#### 11.9.1.8.vgg19
+
+##### 11.9.1.8.1.VGG19()
 
 VGG19的预训练模型|tensorflow.python.keras.engine.functional.Functional
 
@@ -2140,9 +2177,9 @@ model = VGG19(include_top=False,  # 是否包含全连接输出层|bool|True
               input_tensor=Input(shape=[224, 224, 3]))  # 输入层|tensorflow.python.framework.ops.Tensor(layers.Input())
 ```
 
-#### 11.9.1.8.xception
+#### 11.9.1.9.xception
 
-##### 11.9.1.8.1.Xception()
+##### 11.9.1.9.1.Xception()
 
 ```python
 from tensorflow.keras.applications.xception import Xception
@@ -2284,7 +2321,23 @@ CALLBACKS = [
 ]
 ```
 
-#### 11.9.3.3.TensorBoard()
+#### 11.9.3.3.ReduceLROnPlateau()
+
+实例化一个ReduceLROnPlateau，当评估停止变化的时候，降低学习率
+
+```python
+from tensorflow.keras.callbacks import ReduceLROnPlateau
+CALLBACKS = [
+    ReduceLROnPlateau(monitor='val_loss',  # 监控的信息|str｜'val_loss'
+                      factor=0.1,  # 学习率衰减因子|float|0.1(new_learning_rate = factor * learning_rate)
+                      patience=5,  # 监测容忍轮数(数据有小幅度波动可以跳过，验证频率也一定是1)|int|0
+                      verbose=1,  # 日志模式|int(0, 1)|0
+                      min_delta=1e-3,  # 最小变化量|float|0.0001
+                      min_lr=0)  # 最小学习率|float|0
+]
+```
+
+#### 11.9.3.4.TensorBoard()
 
 实例化一个TensorBoard，可视化训练信息
 
diff --git a/README.md b/README.md
index aee2613..afeb358 100644
--- a/README.md
+++ b/README.md
@@ -10,8 +10,6 @@
      pip install classicML
      ```
 
-* 参考代码 comming soon
-
 * 由于作者本人错误的之前上传一堆打包的pdf文件导致项目很大
 
   1. 您如果只想看文档，请直接下载releases中的PDF，每次提交都会更新
@@ -24,3 +22,7 @@
 
 * 欢迎交流
 
+## A²PI²代码🌰
+
+1. [使用Keras构建CRNN](https://github.com/sun1638650145/CRNN)
+2. coming soon
\ No newline at end of file