基于Theano的深度学习(Deep Learning)框架Keras学习随笔-12-核心层

       本文来自CSDN博客：http://blog.csdn.net/niuwei22007/article/details/49277595  原博客可以获取更多文章

       从这篇开始介绍Keras的Layers，就是构成网络的每一层。Keras实现了很多层，包括核心层、卷基层、RNN网络层等诸多常用的网络结构。下面开介绍核心层中包含了哪些内容。因为这个核心层我现在还没有全部用到，所以会有一部分内容我并不是十分了解，因此直接附带了原文档介绍。希望有了解的博友指点一二。

一、核心层基类

keras.layers.core.Layer()

       下面介绍一下该类中包含的几个基本方法。 

#  把previous_layer层的输出连接到当前层的输入
set_previous(previous_layer)

       返回：None
       参数：

•        previous_layer : Layer对象

# 获取某层网络的输出
get_output(train)

       返回：Theano tensor

       参数：

•        train : Boolean. 指定是在训练模式下还是测试模型下计算该层的输出。Specifies whether output iscomputed in training mode or in testing mode, which can change the logic, forinstance in there are any Dropout layers in the network.

# 获取某层网络的输入
get_input(train)

       返回：Theano tensor

       参数：

•        train : 同上。

 # 获取网络的权值
get_weights()

       返回 ：一个numpy array组成的list，每一层的参数值是一个numpy array

# 设置网络权值参数
set_weights(weights)

       参数：

•        weights : 一个numpy array组成的list，每一层的权值是一个numpy array，且该list中的元素顺序要与get_weights(self)中返回的一致。(就是对应好每一层，不要打乱了顺序)

get_config()

       返回 ：描述网络的配置信息字典。

 二、Dense类(标准的一维全连接层)

keras.layers.core.Dense(output_dim,init='glorot_uniform', activation='linear', weights=None
W_regularizer=None, b_regularizer=None, activity_regularizer=None,
W_constraint=None, b_constraint=None, input_dim=None)

       inputshape: 2维 tensor(nb_samples, input_dim)

       outputshape: 2维 tensor(nb_samples, output_dim)

       参数：

•        output_dim: int >= 0，输出结果的维度
•        init : 初始化权值的函数名称或Theano function。可以使用Keras内置的（内置初始化权值函数见这里），也可以传递自己编写的Theano function。如果不给weights传递参数时，则该参数必须指明。
•        activation : 激活函数名称或者Theano function。可以使用Keras内置的（内置激活函数见这里），也可以是传递自己编写的Theano function。如果不明确指定，那么将没有激活函数会被应用。
•        weights :用于初始化权值的numpy arrays组成的list。这个List至少有1个元素，其shape为（input_dim, output_dim）。（如果指定init了，那么weights可以赋值None）
•        W_regularizer: