Keras.layers.core.dense()方法详解

常用层

（一）Dense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, bias=True, input_dim=None)

Dense层就是全链接层，有一下参数： output_dim：大于0的整数，代表该层的输出维度。模型中非首层的全连接层其输入维度可以自动推断，因此非首层的全连接定义时不需要指定输入维度。 init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。该参数仅在不传递weights参数时才有意义。 activation：激活函数，为预定义的激活函数名或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x） weights：权值，为numpy array的list。该list应含有一个形如（input_dim,output_dim）的权重矩阵和一个形如(output_dim,)的偏置向量。 W_regularizer：施加在权重上的正则项，为WeightRegularizer对象 b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象 activity_regularizer：施加在输出上的正则项，为ActivityRegularizer对象 W_constraints：施加在权重上的约束项，为Constraints对象 b_constraints：施加在偏置上的约束项，为Constraints对象 bias：布尔值，是否包含偏置向量（即层对输入做线性变换还是仿射变换） input_dim：整数，输入数据的维度。当Dense层作为网络的第一层时，必须指定该参数或input_shape参数。 常见的输入形式：(nb_samples, input_dim)的二维张量。输出形式为(nb_samples, output_dim)的二维张量。 示例：

# sequential 模型的第一层： model = Sequential() model.add(Dense(32, input_dim=16)) # 该模型输入（*，16）输出（*，32） # 与上一层相同 model = Sequential() model.add(Dense(32, input_shape=(16,))) # 后面的层就不需要指定输入的大小了 model.add(Dense(32))

（二） Activation层

# 激活层是对一个层的输出施加激活函数，activation：将要使用的激活函数，为预定义激活函数名或一个Tensorflow/Theano的函数。当使用激活层作为第一层时，要指定输入形式input_shape，而输出形式与输入形式相同。 keras.layers.core.Activation(activation)

（三）Dropout 层 为了防止过拟合效应现象，可以给输入数据施加Dropout。Dropout将在训练过程中每次更新参数时随机断开一定百分比（p）的输入神经元连接。

#p：0~1的浮点数，控制需要断开的链接的比例 keras.layers.core.Dropout(p)

（四）Flatten层 Flatten层可以使多维的输入数据一维化，从而将输入数据压平。常用在卷积层到全链接层的过度，不影响batch的大小。

model = Sequential() model.add(Convolution2D(64, 3, 3, border_mode='same', input_shape=(3, 32, 32))) # now: model.output_shape == (None, 64, 32, 32) model.add(Flatten()) # now: model.output_shape == (None, 65536)

（五）Reshape层 Reshape层用来将输入shape转换为特定的shape，输入shape任意，但是形式必须固定，当使用该层为模型首层时，需要指定input_shape参数，输出shape为(batch_size,)+target_shape

keras.layers.core.Reshape(target_shape) # target_shape：目标shape，为整数的tuple，不包含样本数目的维度（batch大小）

示例：

# Sequential模型第一层 model = Sequential() model.add(Reshape((3, 4), input_shape=(12,))) # now: model.output_shape == (None, 3, 4) # 注：‘None’是 batch 的维度 # 中间层 model.add(Reshape((6, 2))) # now: model.output_shape == (None, 6, 2)

（六） Permute层 Permute层将输入的维度按照给定模式进行重排，例如，当需要将RNN（循环神经网络）和CNN（卷积神经网络）网络连接时，可能会用到该层。该层输入的shape任意，到那个该层作为第一层时候，要指定input_shape，输出维度按照指定的形式重新排列。

keras.layers.core.Permute(dims) # dims：整数tuple，指定重排的模式，不包含样本数的维度。重拍模式的下标从1开始。例如（2，1）代表将输入的第二个维度重拍到输出的第一个维度，而将输入的第一个维度重排到第二个维度 keras.layers.core.Permute(dims)

示例：

model = Sequential() model.add(Permute((2, 1), input_shape=(10, 64))) # now: model.output_shape == (None, 64, 10) # 注：‘None’是 batch 的维度

（七）RepeatVector层 RepeatVector层将输入重复n次，参数：n：整数，重复的次数。输入shape 为（nb_samples, features）的2D张量，输出shape为（nb_samples, n, features）的3D张量

keras.layers.core.RepeatVector(n)

示例：

model = Sequential() model.add(Dense(32, input_dim=32)) # now: model.output_shape == (None, 32) # 注：‘None’是 batch 的维度 model.add(RepeatVector(3)) # now: model.output_shape == (None, 3, 32)

（八）Merge层 Merge层根据给定的模式，将一个张量列表中的若干张量合并为一个单独的张量。

keras.engine.topology.Merge(layers=None, mode='sum', concat_axis=-1, dot_axes=-1, output_shape=None, node_indices=None, tensor_indices=None, name=None)

参数： layers：该参数为Keras张量的列表，或Keras层对象的列表。该列表的元素数目必须大于1。 mode：合并模式，为预定义合并模式名的字符串或lambda函数或普通函数，如果为lambda函数或普通函数，则该函数必须接受一个张量的list作为输入，并返回一个张量。如果为字符串，则必须是下列值之一： “sum”，“mul”，“concat”，“ave”，“cos”，“dot” concat_axis：整数，当mode=concat时指定需要串联的轴 dot_axes：整数或整数tuple，当mode=dot时，指定要消去的轴 output_shape：整数tuple或lambda函数/普通函数（当mode为函数时）。如果output_shape是函数时，该函数的输入值应为一一对应于输入shape的list，并返回输出张量的shape。 node_indices：可选，为整数list，如果有些层具有多个输出节点（node）的话，该参数可以指定需要merge的那些节点的下标。如果没有提供，该参数的默认值为全0向量，即合并输入层0号节点的输出值。 tensor_indices：可选，为整数list，如果有些层返回多个输出张量的话，该参数用以指定需要合并的那些张量。 示例：

model1 = Sequential() model1.add(Dense(32)) model2 = Sequential() model2.add(Dense(32)) merged_model = Sequential() merged_model.add(Merge([model1, model2], mode='concat', concat_axis=1) - ____TODO__: would this actually work? it needs to.__ # achieve this with get_source_inputs in Sequential.

（九）Lambda层

keras.layers.core.Lambda(function, output_shape=None, arguments={})

输入形式任意，当使用该层作为第一层时，要指定input_shape，输出shape由output_shape参数指定的输出shape 本函数用以对上一层的输出施以任何Theano/TensorFlow表达式，参数： function：要实现的函数，该函数仅接受一个变量，即上一层的输出 output_shape：函数应该返回的值的shape，可以是一个tuple，也可以是一个根据输入shape计算输出shape的函数 arguments：可选，字典，用来记录向函数中传递的其他关键字参数

# add a x -> x^2 layer model.add(Lambda(lambda x: x ** 2)) # 增加一个层，返回输入正部分、负部分的相反部分 def antirectifier(x): x -= K.mean(x, axis=1, keepdims=True) x = K.l2_normalize(x, axis=1) pos = K.relu(x) neg = K.relu(-x) return K.concatenate([pos, neg], axis=1) def antirectifier_output_shape(input_shape): shape = list(input_shape) assert len(shape) == 2 # only valid for 2D tensors shape[-1] *= 2 return tuple(shape) model.add(Lambda(antirectifier, output_shape=antirectifier_output_shape))

（十）ActivityRegularizer层

keras.layers.core.ActivityRegularization(l1=0.0, l2=0.0) # 经过本层的数据不会有任何变化，但会基于其激活值更新损失函数值

参数： l1：1范数正则因子（正浮点数） l2：2范数正则因子（正浮点数） 输入shape任意，当使用该层作为第一层时，要指定input_shape，输出shape 与输入shape相同

（十一）Masking层

keras.layers.core.Masking(mask_value=0.0)

使用给定的值对输入的序列信号进行“屏蔽”，用以定位需要跳过的时间步。对于输入张量的时间步，即输入张量的第1维度（维度从0开始算，见例子），如果输入张量在该时间步上都等于mask_value，则该时间步将在模型接下来的所有层（只要支持masking）被跳过（屏蔽）。如果模型接下来的一些层不支持masking，却接受到masking过的数据，则抛出异常。 示例： 考虑输入数据x是一个形如(samples,timesteps,features)的张量，现将其送入LSTM层。因为你缺少时间步为3和5的信号，所以你希望将其掩盖。这时候应该： 赋值x[:,3,:] = 0.，x[:,5,:] = 0. 在LSTM层之前插入mask_value=0.的Masking层

model = Sequential() model.add(Masking(mask_value=0., input_shape=(timesteps, features))) model.add(LSTM(32))

（十二）Highway层

keras.layers.core.Highway(init='glorot_uniform', transform_bias=-2, activation='linear', weights=None, W_regularizer=None, b_regularizer=None, activity_regularizer=None, W_constraint=None, b_constraint=None, bias=True, input_dim=None)

Highway层建立全连接的Highway网络，这是LSTM在前馈神经网络中的推广。输入shape形如（nb_samples, input_dim）的2D张量输出shape形如（nb_samples, output_dim）的2D张量。 参数： output_dim：大于0的整数，代表该层的输出维度。模型中非首层的全连接层其输入维度可以自动推断，因此非首层的全连接定义时不需要指定输入维度。 init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。该参数仅在不传递weights参数时有意义。 activation：激活函数，为预定义的激活函数名或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x） weights：权值，为numpy array的list。该list应含有一个形如（input_dim,output_dim）的权重矩阵和一个形如(output_dim,)的偏置向量。 W_regularizer：施加在权重上的正则项，为WeightRegularizer对象 b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象 activity_regularizer：施加在输出上的正则项，为ActivityRegularizer对象 W_constraints：施加在权重上的约束项，为Constraints对象 b_constraints：施加在偏置上的约束项，为Constraints对象 bias：布尔值，是否包含偏置向量（即层对输入做线性变换还是仿射变换） input_dim：整数，输入数据的维度。当该层作为网络的第一层时，必须指定该参数或input_shape参数。 transform_bias：用以初始化传递参数，默认为-2（请参考文献理解本参数的含义）

（十三）MaxoutDense层 全连接的Maxout层，MaxoutDense层以nb_features个Dense(input_dim,output_dim)线性层的输出的最大值为输出。nb_features：内部使用的全连接层的数目。MaxoutDense可对输入学习出一个凸的、分段线性的激活函数。输入shape形如（nb_samples, input_dim）的2D张量输出shape形如（nb_samples, output_dim）的2D张量。

转载来自：http://www.knowsky.com/1053989.html