Keras学习笔记（layers说明）

1. 常用layers说明

1.1 Dense（维度不变）

全连接层，只对数据最后一个维度进行处理。

1.2 Embedding（维度增加）

词向量嵌入层，对输入文本的每一字扩展为一个向量，相当于对数据添加了一个维度。

1.3 LSTM（维度减少）

lstm只能处理文本维度的数据（不算batch为2维），将这两维的数据进行处理，输出值一维中。但是LSTM(16, return_sequences=True)时，有return_state=True则数据维度不会变。

1.4 lFlatten（维度减至一维）

数据展平，长度为各维（除batch维）相乘。

1.5 TimeDistributed（层封装器）

使用方法：

TimeDistributed(imag_model)(video_input)
# 或者：
TimeDistributed(Conv2D(64, (3, 3)), input_shape=(10, 299, 299, 3))

本来是3维的图片模型，使用TimeDistributed之后可以处理4维视频数据，就是在video_input的每一时间步都使用imag_model来处理。

1.6 Bidirectional（层封装器）

Bidirectional(LSTM(10, return_sequences=True),  input_shape=(5, 10))

2. 卷积层

2.1 Conv1D

1D 卷积层 (例如时序卷积)。

输入尺寸：
3D 张量 ，尺寸为 (batch_size, steps, input_dim)。

输出尺寸：
3D 张量，尺寸为 (batch_size, new_steps, filters)。 由于填充或窗口按步长滑动，steps 值可能已更改。

2.2 Conv2D

2D 卷积层 (例如对图像的空间卷积)。

输入尺寸：
如果 data_format='channels_first'， 输入 4D 张量，尺寸为 (samples, channels, rows, cols)。
如果 data_format='channels_last'， 输入 4D 张量，尺寸为 (samples, rows, cols, channels)。

输出尺寸：
如果 data_format='channels_first'， 输出 4D 张量，尺寸为 (samples, filters, new_rows, new_cols)。
如果 data_format='channels_last'， 输出 4D 张量，尺寸为 (samples, new_rows, new_cols, filters)。

2.3 Conv2DTranspose

转置卷积层 (有时被成为反卷积)。

输入尺寸：
如果 data_format='channels_first'， 输入 4D 张量，尺寸为 (batch, channels, rows, cols)。
如果 data_format='channels_last'， 输入 4D 张量，尺寸为 (batch, rows, cols, channels)。

输出尺寸：
如果 data_format='channels_first'， 输出 4D 张量，尺寸为 (batch, filters, new_rows, new_cols)。
如果 data_format='channels_last'， 输出 4D 张量，尺寸为 (batch, new_rows, new_cols, filters)。

2.4 3D 卷积层 (例如立体空间卷积)。

转置卷积层 (有时被成为反卷积)。

输入尺寸：
如果 data_format='channels_first'， 输入 5D 张量，尺寸为 (samples, channels, conv_dim1, conv_dim2, conv_dim3)。
如果 data_format='channels_last'， 输入 5D 张量，尺寸为 (samples, conv_dim1, conv_dim2, conv_dim3, channels)。

输出尺寸：
如果 data_format='channels_first'， 输出 5D 张量，尺寸为 (samples, filters, new_conv_dim1, new_conv_dim2, new_conv_dim3)。
如果 data_format='channels_last'， 输出 5D 张量，尺寸为 (samples, new_conv_dim1, new_conv_dim2, new_conv_dim3, filters)。
由于填充的原因，new_conv_dim1, new_conv_dim2 和 new_conv_dim3 值可能已更改。