Keras中的神经网络层组件简介

原文：http://blog.csdn.net/zzulp/article/details/76590712

1 简介

在对Keras的简单使用之后,本文对Keras提供的对各种层的抽象进行相对全面的概括,以对Keras有更全面的认识。

2 基础常用层

名称作用原型参数Dense实现全连接层Dense(units,activation,use_bias=True, kernel_initializer=’glorot_uniform’, bias_initializer=’zeros’)Activation对上层输出应用激活函数Activation(activation)Dropout对上层输出应用dropout以防止过拟合Dropout(ratio)Flatten对上层输出一维化Flatten()Reahape对上层输出reshapeReshape(target_shape)Permute对输入的维度按照指定的顺序交换并重排数据Permute(dims)RepeatVector将输入重复若干次后进行输出RepeatVector(n)Lambda对输入施加TF/TH表达式后输出Lambda(function, output_shape,arguments=None)Masking屏蔽指定的序列值Masking(mask_value=0.0)

PS1：Dense()参数说明

名称说明units层中单元数，也是输出维度activation激活函数use_bias是否使用偏置kernel_initializer权值初始化方法bias_initalizer偏置初始化方法kernel_regularizer权值规范化方法bias_regularizer偏置规范化方法activity_regularizer kernel_constraints权值约束bias_constraints偏置约束

PS2: 预置激活函数/初始化器/正则化器说明

激活函数初始化器正则化器softmaxZeros 全0l1eluOnes 全1l2softplusConstant 常数l1_l2softsignRandomNormal 正态分布 reluRandomUniform 平均分布 tanhTruncatedNormal 无尾正态 sigmoidOrthogonal 正交矩阵 hard_sigmoidIdentity 单位矩阵 linearglorot_normal  he_normal  he_uniform 

3 巻积层

名称作用原型参数Conv1D一维巻积层Conv1D(filters, kernel_size, strides=1, padding=’valid’)Conv2D二维巻积层Conv2D(filters, kernel_size, strides=(1, 1), padding=’valid’)

参数说明：

名称说明filters卷积核的数目（即输出的维度）kernel_size卷积核的宽度和长度。如为单个整数，表示在各个空间维度的相同长度strides为卷积的步长。如为单个整数，则表示在各个空间维度的相同步长padding补0策略，为“valid”, “same”activation data_formatchannels_first或channels_last之一，代表图像的通道维的位置,默认为channels_lastuse_bias kernel_initializer bias_initializer kernel_regularizer bias_regularizer activity_regularizer kernel_constraints bias_constraints 

4 池化层

名称作用原型参数MaxPooling2D二维最大池化层MaxPooling2D(pool_size=(2, 2), strides=None, padding=’valid’, data_format=None)AveragePooling2D平均最大池化层AveragePooling2D(pool_size=(2, 2), strides=None, padding=’valid’)

5 循环层

名称作用原型参数SimpleRNN全连接RNN网络SimpleRNN(units, activation=’tanh’, use_bias=True, kernel_initializer=’glorot_uniform’, recurrent_initializer=’orthogonal’, bias_initializer=’zeros’,dropout=0.0, recurrent_dropout=0.0))GRU门限循环单元层GRU(units, activation=’tanh’, recurrent_activation=’hard_sigmoid’, use_bias=True, kernel_initializer=’glorot_uniform’, recurrent_initializer=’orthogonal’, bias_initializer=’zeros’, dropout=0.0, recurrent_dropout=0.0)LSTM长短期记忆模型层LSTM(units, activation=’tanh’, recurrent_activation=’hard_sigmoid’, use_bias=True, kernel_initializer=’glorot_uniform’, recurrent_initializer=’orthogonal’, bias_initializer=’zeros’, unit_forget_bias=True, dropout=0.0, recurrent_dropout=0.0)

6 嵌入层

名称作用原型参数Embedding嵌入层将输入中的整数转换为向量，导致原维度+1EmbeddingEmbedding(input_dim, output_dim, embeddings_initializer=’uniform’, embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None)

参数说明： 
input_dim： 字典长度，即输入数据最大下标+1 
output_dim：全连接嵌入的维度 
input_length：当输入序列的长度固定时，该值为其长度。如果要在该层后接Flatten层，然后接Dense层，则必须指定该参数，否则Dense层的输出维度无法自动推断。

7 局部连接层

名称作用原型参数LocallyConnected2D不进行权重共享的2维层LocallyConnected2D(filters, kernel_size, strides=(1, 1), padding=’valid’)   

8 规范化层

名称作用原型参数BatchNormalization对批次数据进行规范化BatchNormalization(axis=-1, momentum=0.99, epsilon=0.001, center=True, scale=True, beta_initializer=’zeros’, gamma_initializer=’ones’, moving_mean_initializer=’zeros’, moving_variance_initializer=’ones’)

9 噪声层

名称作用原型参数GaussianNoise为数据施加0均值，标准差为stddev的加性高斯噪声GaussianNoise(stddev)GaussianDropout为输入施加以1为均值，标准差为sqrt(rate/(1-rate)的乘性高斯噪声GaussianDropout(rate)

10 高级激活层

名称作用原型参数LeakyReLUReLU激活的改进层LeakyReLU(alpha=0.3)PReLU参数化的ReLU ELU指数参数化ReLU ThresholdedReLU阀值化ReLU 

12 Wraaper层

名称作用原型参数TimeDistributed TimeDistributed(layer)Bidirectional双向RNN包装器Bidirectional(layer, merge_mode=’concat’, weights=None)