tensorflow.keras.layer介绍

序章

用于记录自己学习 tensorflow ，激励自己一边学习一边分享。
Tensorflow 基础知识讲解 Gitee 地址
Tensorflow 基础知识讲解 Github 地址
tensorflow 地址

Dense（全连接层）

 tf.keras.layers.Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform',
    bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None,
    kernel_constraint=None, bias_constraint=None)

参数：
    units: 正整数，输出空间维度。
    activation: 激活函数 (详见 activations)。 若不指定，则不使用激活函数 (即，线性激活: a(x) = x)。
    use_bias: 布尔值，该层是否使用偏置向量。
    kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
    bias_initializer: 偏置向量的初始化器 (详见 initializers)。
    kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
    bias_regularizer: 运用到偏置向量的的正则化函数 (详见 regularizer)。
    activity_regularizer: 运用到层的输出的正则化函数 (它的 "activation")。 (详见 regularizer)。
    kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
    bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入
    形如(batch_size, ..., input_dim)的 nD 张量，最常见的情况为(batch_size, input_dim)的 2D 张量
    
输出
    形如(batch_size, ..., units)的 nD 张量，最常见的情况为(batch_size, units)的 2D 张量

# demo
import tensorflow as tf

# 创建一个模型，并且采用 shape= (None, 16) 的输入数组, 输出数组为 shape=(None, 32)。注意在第一层之后，你不需要再指定输入的大小了：
model = tf.keras.models.Sequential()
model.add(tf.keras.Input(shape=(16,)))
model.add(tf.keras.layers.Dense(32, activation='relu'))
model.add(tf.keras.layers.Dense(32))
print(model.output_shape)  # (None, 32)

Conv1D (一维卷积层)

作用：

函数：tf.keras.layers.Conv1D(
        filters, kernel_size, strides=1, padding='valid',
        data_format='channels_last', dilation_rate=1, groups=1,
        activation=None, use_bias=True, kernel_initializer='glorot_uniform',
        bias_initializer='zeros', kernel_regularizer=None,
        bias_regularizer=None, activity_regularizer=None, kernel_constraint=None,
        bias_constraint=None, **kwargs
    )

参数: 
    filters:  整数，输出空间的维度（即卷积中输出滤波器的数量）
    kernel_size:  单个整数的整数或元组列表，指定一维卷积窗口的长度
    strides:	一个整数或单个整数的元组列表，指定卷积的步长。指定任何 stride 值 != 1 与指定任何 dilation_rate 值 != 1 不兼容。
    padding:	"valid" 意味着没有填充。 , "same" 导致在输入的左/右或上/下均匀填充零，以使输出具有与输入相同的高度/宽度尺寸。
                "causal" 导致因果（扩张）卷积，例如输出[t] 不依赖于输入[t+1:]。在模型不应违反时间顺序的时间数据建模时很有用。
    data_format:	一个字符串，channels_last（默认）或 channels_first 之一。
    dilation_rate:	一个整数或单个整数的元组/列表，指定用于扩张卷积的扩张率。
                    目前，指定任何 dilation_rate 值 != 1 与指定任何 strides 值 != 1 是不兼容的。
    groups:	 一个正整数，指定输入沿通道轴拆分的组数。每个组分别与 filters / groups filters 进行卷积。
            输出是沿通道轴的所有组结果的串联。输入通道和过滤器都必须可以按组整除。
    activation:	要使用的激活功能。如果您未指定任何内容，则不会应用激活
    use_bias:	bool，层是否使用偏置向量。
    kernel_initializer:	内核权重矩阵的初始化程序（请参阅 keras.initializers）。默认为“glorot_uniform”。
    bias_initializer:	偏置向量的初始化程序。 默认为“zero”。
    kernel_regularizer:	应用于内核权重矩阵的正则化函数
    bias_regularizer:	应用于偏置向量的正则化函数
    activity_regularizer:	正则化函数应用于层的输出 (its "activation")
    kernel_constraint:	应用于核矩阵的约束函数
    bias_constraint:	应用于偏置向量的约束函数

输入shape
    形如（samples，steps，input_dim）的3D张量
    
输出shape
    形如（samples，new_steps，nb_filter）的3D张量，因为有向量填充的原因，steps的值会改变

# demo
import tensorflow as tf

# 输入是 128 个长度的向量，有 10 个时间步长，批量大小为 4
input_shape = (4, 10, 128)
x = tf.random.normal(input_shape)
y = tf.keras.layers.Conv1D(32, 3, activation='relu', input_shape=input_shape[1:])(x)
print(y.shape)  # (4,8,32)

conv2D（二维卷积层）

作用：二维卷积层，即对图像的空域卷积。该层对二维输入进行滑动窗卷积，当使用该层作为第一层时，应提供input_shape参数。
    例如input_shape = (128,128,3)代表128*128的彩色RGB图像

使用方法： 
    tf.keras.layers.Conv2D(
        filters, kernel_size, strides=(1, 1), padding='valid',
        data_format=None, dilation_rate=(1, 1), groups=1, activation=None,
        use_bias=True, kernel_initializer='glorot_uniform',
        bias_initializer='zeros', kernel_regularizer=None,
        bias_regularizer=None, activity_regularizer=None, kernel_constraint=None,
        bias_constraint=None, **kwargs
    )

参数：
    filters：卷积核的数目（即输出的维度）
    kernel_size：单个整数或由两个整数构成的list/tuple，卷积核的宽度和长度。
                如为单个整数，则表示在各个空间维度的相同长度。
    strides：单个整数或由两个整数构成的list/tuple，为卷积的步长。如为单个整数，则表示在各个空间维度的相同步长。
            任何不为1的strides均与任何不为1的dilation_rate均不兼容
    padding：补0策略，为“valid”, “same” 。“valid”代表只进行有效的卷积，即对边界数据不处理。
            “same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。
    activation：激活函数，为预定义的激活函数名&#x