keras——常用层

常用层对应于core模块，core内部定义了来一系列常用网络层，包括全连接，激活层等。
Dense层

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就是常用全连接层，所实现的运算是output =

activation(dot(input,kernel)+bias)。其中activation为逐元素计算的激活函数，kernel是本层权值矩阵，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维度大于2，则会先辈压为与kernel相匹配的的大小。

# as first layer in a sequential model:
# as first layer in a sequential model:
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# now the model will take as input arrays of shape (*, 16)
# and output arrays of shape (*, 32)

# after the first layer, you don't need to specify
# the size of the input anymore:
model.add(Dense(32))

参数;

• units :大于0的整数，代表该层输出维度
• activation：激活函数，预定义的激活函数名或逐元素（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:权重初始化方法，为预定义的初始化方法名的字符串，或用于权重初始化器
• 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
• 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
• kernel_constraints：施加在权重上的约束项，为Constraints对

• bias_constraints：施加在偏置上的约束项，为Constraints对象
  输入：

  形如（nb_samples,input_shape[1]）的nD张量，最常见的情况为(nb_samples,input_dim)的2D张量

输出

形如（nb_samples,...,units）的nD张量，最常见情况为（nb_samples,...,units）的nD张量，最常见情况为(nb_samples,output_dim)的2D张量

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，当使用激活函数层作为第一层时指定input_shape

输出shape
与输入shape相同

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随机断开一定百分比（rate）的输入神经元，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比例
noise_shape:整数张量，为将要应用在输入上的二值Dropoutmask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，随机数种子

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，常用在从卷积过度到全连接层的过度，Flatten不影响batch大小。

model =Sequential()
model.add(Donvolution2D(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

keras.layers.core.Reshape(target_shape)

Reshape层用来将输入转換为指定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，要指定input_shape参数

输出shape

（batch_size,）+target_shape

例子

# as first layer in a Sequential model
model = Sequential()
model.add(Reshape((3, 4), input_shape=(12,)))
# now: model.output_shape == (None, 3, 4)
# note: `None` is the batch dimension

# as intermediate layer in a Sequential model
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

keras.layers.core.Permute(dims)

Permute层将输入维度按照给定模式重拍，可能在CNN或RNN网络连接时用到

参数：
dim：整数tuple，指定重排模式，不包含样本数的维度。重排模式的下标从1 开始，例如（2，1）代表将输入的第二维重排到第一维度，而将输入的第一维重排到第二维度

例子：

model = Sequential()
model.add(Permute((2, 1), input_shape=(10, 64)))
# now: model.output_shape == (None, 64, 10)
# note: `None` is the batch dimension

输入shape
任意，当使用激活层作为第一层，要指定input_shape

输出shape
与输入相同，但是其维度按照指定模式重新排列

RepeatVector层

keras.layers.core.Repeate(n)

RepeateVector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,feature）的2D张量

输出shape
形如(nb_samples,n,feature）的3D张量

例子：

model = Sequential()
model.add(Dense(32, input_dim=32))
# now: model.output_shape == (None, 32)
# note: `None` is the batch dimension

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

Lambda层

keras.layers.core.Lambda(function,output_shape=None,mask=None,arguments = None)

本函数用于对上层输出施以任何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

例子

# add a x -> x^2 layer
model.add(Lambda(lambda x: x ** 2))

# 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))

输入
任意，当使用该层作为第一层，要制定input_shape

输出shape

由output_shape参数指定的输出shape，当使用TF时可自行推断

ActivityRegularizer层

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
l2：2范数正则因子

输入shape
任意，当使用该层作为第一层时，要指定input_shape

输出shape
与输入相同

Masking层

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”，用以定位需要跳过的时间步

对于输入张量的时间步，即输入张量的第1维度（维度从0开始算，见例子），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。