1. Dense层:就是常用的全连接层,所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数,kernel是本层的权值矩阵,bias为偏置向量,只有当use_bias=True
才会添加。
如果本层的输入数据的维度大于2,则会先被压为与kernel
相匹配的大小。
keras.layers.core.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:大于0的整数,代表该层的输出维度。
· activation:激活函数,为预定义的激活函数名(参考激活函数),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)
· use_bias:布尔值,是否使用偏置项
· kernel_initializer:权值初始化方法,为预定义初始化方法名的字符串,或用于初始化权重的初始化器。参考initializers
· bias_initializer:权值初始化方法,为预定义初始化方法名的字符串,或用于初始化权重的初始化器。参考initializers
· kernel_regularizer:施加在权重上的正则项,为Regularizer对象
· bias_regularizer:施加在偏置向量上的正则项,为Regularizer对象
· activity_regularizer:施加在输出上的正则项,为Regularizer对象
· kernel_constraints:施加在权重上的约束项,为Constraints对象
· bias_constraints:施加在偏置上的约束项,为Constraints对象
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
2. Activation层:keras.layers.core.Activation(activation)
激活层对一个层的输出施加激活函数
参数
· 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。参考激活函数
输入shape
任意,当使用激活层作为第一层时,要指定input_shape
输出shape
与输入shape相同
3.Dropout层:keras.layers.core.Dropout(rate, noise_shape=None, seed=None)
为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时按一定概率(rate)随机断开输入神经元,Dropout层用于防止过拟合。
参数
· rate:0~1的浮点数,控制需要断开的神经元的比例
· noise_shape:整数张量,为将要应用在输入上的二值Dropout mask的shape,例如你的输入为(batch_size, timesteps, features),并且你希望在各个时间步上的Dropout mask都相同,则可传入noise_shape=(batch_size,1, features)。
· seed:整数,使用的随机数种子
参考文献
· Dropout: A SimpleWay to Prevent Neural Networks from Overfitting
4.Flatten层:keras.layers.core.Flatten()
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。
5.Reshape层:keras.layers.core.Reshape(target_shape)
Reshape层用来将输入shape转换为特定的shape
参数
· target_shape:目标shape,为整数的tuple,不包含样本数目的维度(batch大小)
输入shape
任意,但输入的shape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
(batch_size,)+target_shape
5.RepeateVector层:keras.layers.core.RepeatVector(n)
RepeatVector层将输入重复n次
参数
· n:整数,重复的次数
输入shape
形如(nb_samples, features)的2D张量
输出shape
形如(nb_samples, n, features)的3D张量
6.Lambda层:keras.layers.core.Lambda(function, output_shape=None, mask=None, arguments=None)
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
· mask:掩膜
· arguments:可选,字典,用来记录向函数中传递的其他关键字参数
7. Keras添加层示例:
# as first layer in a sequential model:
# as first layer in a sequential model:
model = Sequential()
model.add(Dense(32, input_shape=(16,)))