Conv2D & MaxPooling2D & Dropout & concatenate

keras.layers.convolutional.Conv2D

2D卷积层（例如，图像上的空间卷积）。
该层创建一个卷积内核，该卷内核与层输入卷积以产生一个输出张量。 如果use_bias为True，则创建偏置向量并将其添加到输出。 最后，如果激活不是None，它也会应用于输出。
将此图层用作模型中的第一个图层时，请提供关键字参数input_shape（整数元组，不包括示例轴），例如 input_shape =（128,128,3），用于data_format =“channels_last”中的128x128 RGB图片。

def __init__(self,
             filters: Any,
             kernel_size: Any,
             strides: int = (1, 1),
             padding: str = 'valid',
             data_format: Any = None,
             dilation_rate: int = (1, 1),
             activation: Any = None,
             use_bias: bool = True,
             kernel_initializer: str = 'glorot_uniform',
             bias_initializer: str = 'zeros',
             kernel_regularizer: Any = None,
             bias_regularizer: Any = None,
             activity_regularizer: Any = None,
             kernel_constraint: Any = None,
             bias_constraint: Any = None,
             **kwargs: Any) -> Optional[Any]

参数

• filters：整数，输出空间的维数（即卷积中输出滤波器的数量）。
• kernel_size：整数或2个整数的元组/列表，指定2D卷积窗口的高度和宽度。可以是单个整数，以指定所有空间维度的相同值。
• strides：整数或2个整数的元组/列表，指定卷积沿高度和宽度的步幅。可以是单个整数，以指定所有空间维度的相同值。指定任意！=1的步幅值与指定任意！=1的dilation_rate值不兼容。
• padding："valid"或"same"之一（不区分大小写）。
  请注意，"same"在跨步数（strides）！=1的情况下在后端稍有不一致。，如[here]所述（https://github.com/keras-team/keras/pull/9473#issuecomment-372166860）
• data_format：一个字符串，“channels_last”或“channels_first”之一。输入中维度的排序。

“channels_last”对应于具有形状(batch, height, width,channels)的输入；
而“channels_first”对应于具有形状的输入(batch, channels, height, width)）。
它默认为〜/.keras/keras.json中Keras配置文件中的image_data_format值。如果你从未设置它，那么它将是“channels_last”。

• dilation_rate：整数或2个整数的元组/列表，指定用于扩张卷积的扩张率。 可以是单个整数，以指定所有空间维度的相同值。
  目前，指定任何dilation_rate值！= 1与指定任何stride value 值！= 1不兼容。
• activation激活：要使用的激活功能（参见[activation]（…/activations.md））。
  如果未指定任何内容，则不应用激活（即“linear”激活：a（x）= x）。
• use_bias：Boolean，该层是否使用偏向量。
• kernel_initializer：内核权重矩阵的初始化程序（参见[initializers]（…/initializers.md））。
• bias_initializer：偏置向量的初始化器。（参见[initializers]（…/ initializers.md））。
• kernel_regularizer：应用于内核权重矩阵的正则化函数。（参见[regularizer]（…/
  regularizers.md））。
• bias_regularizer：应用于偏置向量的正则化函数。（见[regularrizer]（…/
  regularizers.md））。
• activity_regularizer：应用于图层输出的正则化函数（其“激活”）。（见[regularrizer]（…/
  regularizers.md））。
• kernel_constraint：应用于内核矩阵的约束函数。（见[constraints]（…/ constraints.md））。
• bias_constraint：应用于偏置向量的约束函数。（见[constraints]（…/ constraints.md））。

输入类型

• 4D张量。
• 如果data_format是“channels_first”，类型为: (batch, channels, rows, cols)。
• 如果data_format是“channels_last”，类型为(batch, rows, cols, channels) 。

输出类型

• 如果data_format是“channels_first”，4D张量的类型:(batch, filters, new_rows, new_cols)。
• 如果data_format是“channels_last”，4D张量的类型: (batch, new_rows, new_cols, filters)。
• 由于填充，行和列值可能已更改。

keras.layers.pooling.MaxPooling2D

def __init__(self,
             pool_size: Tuple[int, int] = (2, 2),
             strides: Any = None,
             padding: str = 'valid',
             data_format: Any = None,
             **kwargs: Any) -> Optional[Any]

参数

• pool_size：整数或2个整数的整数或元组，缩小（垂直，水平）的因素。 （2,2）将在两个空间维度中将输入减半。如果只指定了一个整数，则两个维度将使用相同的窗口长度。
• strides：整数，2个整数的元组或None。步幅值。 如果为None，则默认为pool_size。
• padding： “valid” 或"same" 之一（不区分大小写）。
• data_format：一个字符串，“channel_last”（默认）或“channels_first”。 输入中维度的排序。

channels_last对应于具有形状(batch, height, width, channels)的输入，而channels_first对应于具有形状的输入(batch, channels, height, width)。
它默认为〜/ .keras / keras.json中Keras配置文件中的image_data_format值。
如果你从未设置它，那么它将是“channels_last”。

输入类型

• 如果data_format =‘channels_last’：4D张量的类型:(batch_size，rows，cols，channels）
• 如果data_format=‘channels_first’：4D张量的类型:(batch_size，channels，rows，cols）

输出类型

• 如果data_format=‘channels_last’：4D张量的类型:(batch_size，pooled_rows，pooled_cols，channels)
• 如果data_format=‘channels_first’：4D张量的类型:(batch_size，channels，pooled_rows，pooled_cols)

keras.layers.core.Dropout

将Dropout应用于输入。 Dropout包括在训练期间每次更新时随机将输入单位的分数率设置为0，这有助于防止过度拟合。

def __init__(self,
             rate: Any,
             noise_shape: Any = None,
             seed: Any = None,
             **kwargs: Any) -> Optional[Any]

参数

• rate：0和1之间的浮点数。输入单位的drop比率。
• noise_shape：1维整型张量，表示与输入相乘的二进制丢失掩码（dropout
  mask）的shape。例如，如果您的输入的shape是（batch_size，timesteps，features），并且您希望所有时间步长的dropout掩码相同，则可以使用noise_shape =（batch_size，1，features）。
• seed：用作随机种子的Python整数。

参考文献

[dropout：防止神经网络过度拟合的简单方法]（http://www.jmlr.org/papers/volume15/srivastava14a/srivastava14a.pdf）

keras.layers.merge

摘自：https://blog.csdn.net/leviopku/article/details/82380710
merge（融合）层实现层的相加，相减，相乘

keras.layers.Add()
keras.layers.Subtract()
keras.layers.Multiply()

concatenate（）实现层的拼接
keras.layers.concatenate([t1,t2],axis= )
t1,t2是需要拼接的变量；axis是拼接的轴，表示拼接的维度，axis=n表示从第n个维度进行拼接。

import numpy as np
import cv2
import keras.backend as K
import tensorflow as tf
 
t1 = K.variable(np.array([[[1, 2], [2, 3]], [[4, 4], [5, 3]]]))
t2 = K.variable(np.array([[[7, 4], [8, 4]], [[2, 10], [15, 11]]]))
d0 = K.concatenate([t1 , t2] , axis=-2)
d1 = K.concatenate([t1 , t2] , axis=1)
d2 = K.concatenate([t1 , t2] , axis=-1)
d3 = K.concatenate([t1 , t2] , axis=2)
 
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(d0))
    print(sess.run(d1))
    print(sess.run(d2))

• 若是axis=0，则按0轴拼接t1和t2，即按第0个维度拼接，t1的第0轴整体就是t1本身,
  t2同理，所以直接拼接得到t= [t1 ~ t2] = [ t1[0], t1[1], t2[0], t2[1] ]=[ [[ 1. 2.],[ 2. 3.]], [[ 4. 4.],[ 5. 3.]], [[ 7. 4.],[ 8. 4.]], [[ 2. 10.],[15. 11.]]]；

• 按第1轴进行拼接则将第一个维度进行拼接，例如t[0]=[ t1[0]~t2[0] ] = [ t1[0][0], t1[0][1], t2[0][0], t2[0][1] ]，然后拼接得t= [ t1[0],t2[0] ], [ t1[1],t2[1] ] ] = [ [[ 1. 2.],[ 2. 3.],[ 7. 4.],[ 8. 4.]], [[ 4. 4.],[ 5. 3.],[ 2. 10.],[15. 11.]] ]；

• 按第2轴拼接则取t1[0][0],t2[0][0]然后拼接。即：t[0][0]=[ t1[0][0], t2[0][0] ]。

• 例如axis=1,t1[0]=[[1,2],[2,3]],t2[0]=[[7,4],[8,4]],拼接得到t[0]=[[1,2],[2,3],[7,4],[8,4]]

def concatenate(inputs: Any,
                axis: int = -1,
                **kwargs: Any) -> {__len__}

参数

输入：输入张量的列表（至少2个）。
axis：连接轴。
** kwargs：标准层关键字参数。

返回值

张量，输入与轴心轴的串联。