TensorFlow：各种层

2. 模型序列中那些常用的层

一个神经网络模型和流水线很类似，也有一套多层的处理设备，能将输入转化为输出。

2.1 Sequential 序列

通过序列Sequential构建模型有如下两种方式：

# 方式一：一站式
model = tf.keras.models.Sequential([
    keras.layers.Flatten(),
    keras.layers.Dense(),
    keras.layers.Dropout(),
    keras.layers.Dense()
])
复制代码

# 方式二：分步式
model = tf.keras.models.Sequential()
model.add(layers.Embedding())
model.add(layers.Bidirectional())
model.add(layers.Dense())
复制代码

两种方式的共同点都是通过Sequential构建模型，一个模型都会设置多个层。

我们拿手写数字识别的序列举个例子：

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28,28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.summary()
复制代码

这个序列里面依次包含了三个层，每个层是有顺序的，这也是为什么叫序列的原因。

可以调用model.summary()打印出来结构：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
flatten (Flatten)            (None, 784)               0         
_________________________________________________________________
dense (Dense)                (None, 128)               100480    
_________________________________________________________________
dense_1 (Dense)              (None, 10)                1290      
_________________________________________________________________
复制代码

1. 第一层输入28x28的二维数据，输出784大小的一维数据。
2. 第二层将第一层的输出作为输入，输出128大小的一维数据。
3. 第三层将第二层的输出作为输入，输出10大小的一维数据。

其实28x28的二维数据就是图片像素值的宽高矩阵。

其转化的流程如下图所示：

第一层转为784大小的一维数组，经过第二层变为128大小，到第三层时转化成10的大小，这10个代表0~9个数字的分类，其中数字“6”的分类占比最高，所以识别结果就是“6”。

那么，这些个层都有哪些，他们都起什么作用呢？

看代码都是tf.keras.layers开头的，说明他们是一类，下面就说几个常见的层。

2.2 Dense 全连接层

Dense层又称全连接层，是神经网络中最常见的一个层，它既能当输入层，又能当输出层，还能当中间层。

Dense的中文翻译是：稠密的，笨拙的。看它上面的结构图就很稠密，密密麻麻。

说到笨拙，其实它确实也不聪明，它就是固定的计算，逻辑上等价于一个函数：out=Activation(Wx+bias)。

• W：m*n的矩阵，权重，结构是提前定义的，但是数值是训练出来的。
• x：n维向量，是输入。
• Activation：激活函数，为线性变换再套一层变换，解决非线性问题。
• bias：偏置项，也是训练出来的。
• out：最终输出m维向量。

最终变化就是一个线性变化加一个非线性变化产生输出。

从效果看是：输入的n维数据，最后输出m维数据。

就好比手写数字识别中，输入是28x28的二维向量，经过层层变化，最终输出10个分类。

全连接层的定义举例：Dense(10, activation='softmax')

• 该层有10个节点的输出，也是下一个节点的输入。
• 激活函数使用softmax。

2.3 Conv2D 卷积层

卷积层一般用于图像处理，用于寻找图像的局部特征。

假如，我们要识别一张图片是不是老鹰，我们依靠两点进行判断：鹰嘴、鹰爪。如果有这两个特点，我们就说这是老鹰。

要判断是否包含这两类特征，我们就需要有一个小方块在图片上移动，这个小方块是带着有色眼镜的，会专门寻找鹰爪的那个勾，遇到带勾的区域就特别兴奋地标记为1，遇不到就没有感觉地标记为0。

这个小方块就是卷积核，卷积核在整幅图像上挨个标记的操作就叫卷积操作。

上图就是模拟了一个卷积操作。

用一个3x3的卷积核，在5x5的图像上标记，每次移动两个格子（术语：步长为2），最后生成了最右边2x2的图像。

如果我们定义卷积值大于600就是鹰爪的话，那么原图经过扫描之后，发现有2个鹰爪。

卷积可以重复卷，可以卷完了再卷，很恐怖。

卷积的定义举例：Conv2D(64, (3,3), activation='relu')

• 卷积层的卷积核大小为3x3。
• 有64类卷积方块去进行扫描。
• 激活函数使用relu。

2.4 Flatten 压平层

这个层最容易理解。就是把多维压平成一维。

一般情况下，它作为从卷积层到全连接层的过渡。因为图片一般是二维的，但是分类是一维的，需要中间某个时机进行转化。

……
model.add(layers.Conv2D(64, (3,3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))
……
复制代码

上面的例子就是图片经过卷积多次之后，经过Flatten拉平，然后加两个全连接层最终达到图片变为分类的效果。

2.5 MaxPooling2D 池化层

池化层，可以简单理解成压缩。

对于人工智能，一旦训练起来可能是几天甚至几个月。如果能节省时间，那就太好了，可以快速试错和验证新想法。

那么，如何节省时间呢？除了砸钱增加设备配置之外，降低数据计算量也是一个有效的办法。

我们看下面这张图，左边和右边虽然大小不一样，但是他俩的特征却是一样的，是同一类图像。

这时候，计算尺寸小的图片就比较合算了，能减少成倍的计算量。

所以，我们看很多图片数据集，都是非常小且模糊，精简到你勉强认识。

但是，实际上我们生活中的图片却非常大。

因此，将高清图在保留特征的情况下尽量压缩，以减少数据复杂度，这就是池化层的作用。

池化有很多种方式，比如最大池化，也就是在一定区域内只要最大值。

其他还有平均池化，就是取平均值。

池化层的定义很简单，和卷积层很像，需要定义池化矩阵。例如MaxPooling2D((2,2))就是定义了一个2x2的池化矩阵。

看下面一个卷积后池化的例子。

model = models.Sequential()
model.add(layers.Conv2D(32,(3,3), activation='relu', input_shape=(32,32,1)))
model.add(layers.MaxPooling2D((2,2)))
model.summary()
复制代码

通过打印结果发现，32x32的图片，经过3x3的卷积核以每次移动1个单位处理后，变成30x30的图片，再通过2x2的池化，让30x30变成了15x15。

conv2d (Conv2D)              (None, 30, 30, 32)        320       
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 15, 15, 32)        0         
_________________________________________________________________
复制代码

上面就是神经网络序列中经常出现的几种层。

知识点：TensorFlow的序列模型和各种层 - 掘金