Deep learning基于theano的keras学习笔记（3）-网络层

1. 常用层

1.1 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)

1.2 Activation层

keras.layers.core.Activation(activation)

1.3 Dropout层
为输入数据施加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，Dropout层用于防止过拟合。

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

1.4 SpatialDropout2D（3D）层
与Dropout的作用类似，但它断开的是整个2D（3D）特征图，而不是单个神经元。如果一张特征图的相邻像素之间有很强的相关性（通常发生在低层的卷积层中），那么普通的dropout无法正则化其输出，否则就会导致明显的学习率下降。这种情况下，SpatialDropout2D(3D)能够帮助提高特征图之间的独立性，应该用其取代普通的Dropout

keras.layers.core.SpatialDropout2D(p, dim_ordering='default')
#p：0~1的浮点数，控制需要断开的链接的比例；dim_ordering:'th'或'tf'
#默认为~/.keras/keras.json配置的image_dim_ordering值

1.5 Flatten层
Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。

keras.layers.core.Flatten()

1.6 Reshape层

Reshape层用来将输入shape转换为特定的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）

1.7 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和CNN网络连接时，可能会用到该层。

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

1.8 RepeatVector层
RepeatVector层将输入重复n次

keras.layers.core.RepeatVector(n)

1.9 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, d