Keras深度学习函数实验及用法总结（持续更新ing）

1.Embedding

Embedding层可将一个整数转化成特定维数的向量。

1.1 导入方式

from keras.layers import Embedding

1.2 实验

1.2.1 导包

from keras.models import Sequential
from keras.layers import Embedding
import numpy as np

1.2.2 设置Embedding参数

1） 经常需要设置输入的维度，比如说文本处理时，规定输入单词的数量；又如使用ANN做分类预测时，规定输入的特征数量。可以在参数input_length中设置。
2）由于Embedding层将一个整数转化成特定维数的向量，在keras中需要规定整数的范围，这个可以在input_dim中设置，输入的数据元素取值在[0,input_dim)之间。
3）输出是一个特定维数的向量，可以在output_dim中设置维数。
这里先讲这三个参数。
代码如下,在这里，我希望输入向量的维度为7，向量的元素不超过4，输出一个二维向量（将每个元素输出为一个二维向量）：

model = Sequential()
model.add(Embedding(4,2,input_length = 7))

接下来准备数据做做实验。

data = np.array([[0,1,2,1,3,0,1],[0,1,2,1,2,0,1]])
model.predict(data)

输出：

2.BatchNormalization

对数据进行批量归一化，数据分布转化成标准正态分布。

3.Flatten

将一批数据多维向量变成一维。

3.1 导包

from keras.layers import Flatten

3.2 实验

# 准备数据
data = np.array([[[0,1,2,3,],[1,3,0,1]],[[0,1,2,1],[3,2,0,1]]])
data.shape

b = flatten(data)
b

实验结果：

3.2.2 对比numpy数组的flatten

b = data.flatten()
b

实验结果

4 Dense

4.1 导包方式

from keras.layers import Dense

4.2 Dense的参数设置

Dense层的help文档如下所示：

常用的参数有：
1）unit：指经过Dense层输出的单元数；
2）activation：激活函数
…
还有一个有时必要的参数是input_shape。如果Dense层是第一层，那就需要input_shape，即输入数据集的维度；如果Dense层不是第一层，比如使用Sequential建立模型，某一层的Dense层建立在前面的Dense层的基础之上，这时，input_shape可以不填。
另外，笔者还关注了一下kernel_intializer中的’glorot_uniform’的含义。glorot_uniform是默认的权重初始化参数，它从$[-limit,limit]$中的均匀分布中抽取样本，其中$limit$的计算如下：
$limit=sqrt(6/(fa{n}_{in}+fa{n}_{out})$，
$fa{n}_{in}$是权值张量中的输入神经元的数量，$fa{n}_{out}$是权重张量的输出神经元的数量。

4.3 实验尝试

简单做了两组实验，可见未经训练，权重是不同的。