Posted Updated Python / Keras11 minutes read (About 1690 words)

常用层

常用层对应于core模块，core内部定义了一系列常用的网络层，包括 全连接、激活层等

Dense层

1
2
3
4
5
6
7
8
9
10
11
12
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
)

Dense就是常用的全连接层

  • 用途：实现运算$output = activation(dot(input, kernel)+bias)$

    • 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

  • 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）
      • 逐元素（element-wise）的Theano函数
      • 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

      • 预定义初始化方法名的字符串
      • 用于初始化权重的初始化器（参考initializers）

    • bias_initializer：偏置向量初始化方法

      • 为预定义初始化方法名的字符串
      • 用于初始化偏置向量的初始化器（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NDT，最常见情况 为(batch_size, input_dim)的2DT
    • 数据的维度大于2，则会先被压为与kernel相匹配的大小

  • 输出

    • 形如(batch_size, ..., units)的NDT，最常见的情况为 $(batch_size, units)$的2DT

Activation层

1
2
3
4
keras.layers.core.Activation(
	activation,
	input_shape
)

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
      • 预定义激活函数名
      • Tensorflow/Theano的函数（参考激活函数）

  • 输入：任意，使用激活层作为第一层时，要指定input_shape

  • 输出：与输入shape相同

Dropout层

1
2
3
4
5
keras.layers.core.Dropout(
	rate,
	noise_shape=None,
	seed=None
)

为输入数据施加Dropout

  • 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

    • seed：整数，使用的随机数种子

  • 输入

    • 例：(batch_size, timesteps, features)，希望在各个 时间步上Dropout mask都相同，则可传入 noise_shape=(batch_size, 1, features)

Flatten层

1
keras.layers.core.Flatten()

Flatten层用来将输入“压平”，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。
1
2
3
4
5
6
7
8
model = Sequential()
model.add(Convolution2D(64, 3, 3,
            border_mode='same',
            input_shape=(3, 32, 32)))
	# now: model.output_shape == (None, 64, 32, 32)

model.add(Flatten())
	# now: model.output_shape == (None, 65536)

Reshape层

1
2
3
4
keras.layers.core.Reshape(
	target_shape,
	input_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）
      • 包含-1表示推断该维度大小

  • 输入：输入的shape必须固定（和target_shape积相同）

  • 输出：(batch_size, *target_shape)

  • 例

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    model = Sequential()
    model.add(Reshape((3, 4), input_shape=(12,)))
    	# now: model.output_shape == (None, 3, 4)
    	# note: `None` is the batch dimension

    model.add(Reshape((6, 2)))
    	# now: model.output_shape == (None, 6, 2)

    	# also supports shape inference using `-1` as dimension
    model.add(Reshape((-1, 2, 2)))
    	# now: model.output_shape == (None, 3, 2, 2)

Permute层

1
2
3
keras.layers.core.Permute(
	dims(tuple)
)

Permute层将输入的维度按照给定模式进行重排

  • 说明

    • 当需要将RNN和CNN网络连接时，可能会用到该层。

  • 参数

    • dims：指定重排的模式，不包含样本数的维度（即下标 从1开始）

  • 输出shape

    • 与输入相同，但是其维度按照指定的模式重新排列

  • 例

    1
    2
    3
    model = Sequential()
    model.add(Permute((2, 1), input_shape=(10, 64)))
    	# now: model.output_shape == (None, 64, 10)

RepeatVector层

1
2
3
keras.layers.core.RepeatVector(
	n(int)
)

RepeatVector层将输入重复n次

  • 参数

    • n：整数，重复的次数

  • 输入：形如(batch_size, features)的张量

  • 输出：形如(bathc_size, n, features)的张量

  • 例

    1
    2
    3
    4
    5
    6
    model = Sequential()
    model.add(Dense(32, input_dim=32))
    	# now: model.output_shape == (None, 32)

    model.add(RepeatVector(3))
    	# now: model.output_shape == (None, 3, 32)

Lambda层

1
2
3
4
5
6
keras.layers.core.Lambda(
	function,
	output_shape=None,
	mask=None,
	arguments=None
)

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

  • 输出：output_shape参数指定的输出shape，使用TF时可自动 推断

  • 例

    1
    2
    model.add(Lambda(lambda x: x ** 2))
    	# add a x -> x^2 layer
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    # add a layer that returns the concatenation
    # of the positive part of the input and
    # the opposite of the negative part

    def antirectifier(x):
    	x -= K.mean(x, axis=1, keepdims=True)
    	x = K.l2_normalize(x, axis=1)
    	pos = K.relu(x)
    	neg = K.relu(-x)
    	return K.concatenate([pos, neg], axis=1)

    def antirectifier_output_shape(input_shape):
    	shape = list(input_shape)
    	assert len(shape) == 2  # only valid for 2D tensors
    	shape[-1] *= 2
    	return tuple(shape)

    model.add(Lambda(antirectifier,
    		 output_shape=antirectifier_output_shape))

ActivityRegularizer层

1
2
3
4
keras.layers.core.ActivityRegularization(
	l1=0.0,
	l2=0.0
)

经过本层的数据不会有任何变化，但会基于其激活值更新损失函数值

  • 参数
    • l1：1范数正则因子（正浮点数）
    • l2：2范数正则因子（正浮点数）

Masking层

1
keras.layers.core.Masking(mask_value=0.0)

使用给定的值对输入的序列信号进行“屏蔽”

  • 说明

    • 用以定位需要跳过的时间步
    • 对于输入张量的时间步，如果输入张量在该时间步上都等于 mask_value，则该时间步将在模型接下来的所有层 （只要支持masking）被跳过（屏蔽）。
    • 如果模型接下来的一些层不支持masking，却接受到masking 过的数据，则抛出异常

  • 输入：形如(samples,timesteps,features)的张量

  • 例：缺少时间步为3和5的信号，希望将其掩盖
    • 方法：赋值x[:,3,:] = 0., x[:,5,:] = 0.
    • 在LSTM层之前插入mask_value=0.的Masking层
      1
      2
      3
      model = Sequential()
      model.add(Masking(mask_value=0., input_shape=(timesteps, features)))
      model.add(LSTM(32))

.`的Masking层 

1
2
3
model = Sequential()
model.add(Masking(mask_value=0., input_shape=(timesteps, features)))
model.add(LSTM(32))

```

Categories

Follow

Recents

Advertisement

follow.it

×