一. 所有keras层的基类:Layer
keras的所有层的基类定义在keras/engine/topology.py文件中的Layer类中。
python语言基础
用到的装饰器:
@property
让类函数能像类变量一样操作@interfaces.legacy_xxx_support
让函数支持keras 1.x的 API@classmothod
类函数,属于整个类,类似于C++/JAVA中的静态函数。类方法有类变量cls传入,从而可以用cls做一些相关的处理。子类继承时,调用该类方法时,传入的类变量cls是子类,而非父类。既可以在类内部使用self访问,也可以通过实例、类名访问。@staticmethod
将外部函数集成到类体中,既可以在类内部使用self访问,也可以通过实例、类名访问。基本上等同于一个全局函数。
magic函数:
__call__
让类的实例可以像函数一样调用,正是python的这种特性让我们可以像这样进行层之间的连接:
inputs = Input(shape=(784,))
# 前面的Dense(64, activation='relu')生成了类Dense的一个实例
# 后面的(input)将调用类Dense的__call__函数
x = Dense(64, activation='relu')(inputs)
InputSpec
: 确定层的ndim,dtype,shape,每一层都应有一个input_spec属性,保存InputSpec的实例的list(每一个输入tensor都对应一个)
重点关注以下函数
1. add_weight
每层的参数通过这个函数来设定。可以看到它最终调用的是 K.variable 来生成变量,打开 keras/backend/tensorflow_backend.py 可以看到它生成变量的方式:
v = tf.Variable(value, dtype=tf.as_dtype(dtype), name=name)
让人惊讶的是,keras从居然不是使用tf.get_variable的方式生成变量,可见keras在设计时就根本没有考虑到变量共享,从之前的经验来看,要用keras设计多GPU程序是非常棘手的。(要想让Keras支持多GPU并行,必须从这一步开始修改代码,而这里已经是keras非常底层的代码了。)
2. call / __call__
call是最重要的函数,它用于实现层的功能,子类必须实现。
魔法函数 __call__ 会将收到的输入传递给 call 函数,然后调用 call 函数实现具体的功能。
3. comput_output_shape
根据input_shape 计算输出的shape,子类必须实现。用于自动推断下一层的输入尺寸。
4. build
用来创建当前层的weights,子类必须实现。
5. get_config / from_config
get_config 返回一个字典,获取当前层的参数信息。
from_config 使用根据参数生成一个新的层。代码只有一行:
@classmethod
def from_config(cls, config):
return cls