Keras學習筆記2 常用函式

2021-10-01 07:49:27 字數 4575 閱讀 1893

全連線層

詳細請看：keras 中文文件

keras是什麼？

1. dense（全連線層）

2. keras.layer.input() （用於例項化keras張量）

3. activation（啟用函式）

4. dropout（正則化層）

5. flatten（展平）

6. reshape（調整輸入大小）

7. lambda（將任意表示式封裝為 layer物件）

這裡將常用的簡單整理一下。

keras:基於theano和tensorflow的深度學習庫

函式：

keras.layers.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實現以下操作：output = activation(dot(input, kernel) + bias)，其中activation是按逐個元素計算的啟用函式，kernel是由網路層建立的權值矩陣，以及bias是其建立的偏置向量 (只在use_bias為true時才有用)。

引數:輸入尺寸nd 張量，尺寸:(batch_size, ..., input_dim)。 最常見的情況是乙個尺寸為(batch_size, input_dim)的 2d 輸入。

輸出尺寸

nd 張量，尺寸:(batch_size, ..., units)。 例如，對於尺寸為(batch_size, input_dim)的 2d 輸入， 輸出的尺寸為(batch_size, units)。

input(shape=none, 


batch_shape=none,


name=none, 


dtype=none, 


sparse=false, 


tensor=none)
input()這個方法是用來初始化乙個keras tensor的，tensor說白了就是個陣列。它強大到通過輸入和輸出就能建立乙個keras模型。例如，如果a,b,c都是keras張量，那麼一下操作是可行的：model=model(input=[a,b],output=c)

引數：返回：乙個張量。

keras.layers.activation(activation)
設定啟用函式

引數：輸入尺寸：任意尺寸。 當使用此層作為模型中的第一層時， 使用引數input_shape（整數元組，不包括樣本數的軸）。

輸出尺寸

與輸入相同。

keras.layers.dropout(rate, 


noise_shape=none, 


seed=none)
將 dropout 應用於輸入。dropout 包括在訓練中每次更新時， 將輸入單元的按比率隨機設定為 0， 這有助於防止過擬合。

引數

keras.layers.flatten(data_format=none)
將輸入展平。不影響批量大小。

引數

例：

model = sequential()


model.add(conv2d(64, (3, 3),input_shape=(3, 32, 32), padding='same',))


# 現在：model.output_shape == (none, 64, 32, 32)


model.add(flatten())


# 現在：model.output_shape == (none, 65536) # 65536=64832*32


keras.layers.reshape(target_shape)
將輸入重新調整為特定的尺寸。

引數輸入尺寸任意，儘管輸入尺寸中的所有維度必須是固定的。 當使用此層作為模型中的第一層時， 使用引數input_shape（整數元組，不包括樣本數的軸）。

輸出尺寸

(batch_size,) + target_shape

例

# 作為 sequential 模型的第一層


model = sequential()


model.add(reshape((3, 4), input_shape=(12,)))


# 現在：model.output_shape == (none, 3, 4)


# 注意： `none` 是批表示的維度


# 作為 sequential 模型的中間層


model.add(reshape((6, 2)))


# 現在： model.output_shape == (none, 6, 2)


# 還支援使用 `-1` 表示維度的尺寸推斷


model.add(reshape((-1, 2, 2)))


# 現在： model.output_shape == (none, 3, 2, 2)


keras.layers.lambda(function, 


output_shape=none, 


mask=none, 


arguments=none)
將任意表示式封裝為 layer物件

引數輸入尺寸任意。當使用此層作為模型中的第一層時， 使用引數input_shape（整數元組，不包括樣本數的軸）。

輸出尺寸

由output_shape引數指定 (或者在使用 tensorflow 時，自動推理得到)。

例

# 新增乙個 x -> x^2 層


model.add(lambda(lambda x: x ** 2))


# 新增乙個網路層，返回輸入的正數部分


# 與負數部分的反面的連線


Keras學習筆記
手冊 keras中文文件 1.張量 一階張量是向量，二階張量是矩陣。2.batch batch gradient descent,遍歷全部資料集算一次損失函式，然後算函式對各個引數的梯度，更新梯度。太慢。stochastic gradient descent，每看乙個資料就算一下損失函式，然後求梯度...


Keras學習筆記03 常用重要模組
編譯模型必選兩個引數之一 可以通過傳遞預定義目標函式名字指定目標函式，也可以傳遞乙個theano tensroflow的符號函式作為目標函式，該函式對每個資料點應該只返回乙個標量值，並以下列兩個引數為引數 真實的優化目標函式是在各個資料點得到的損失函式值之和的均值。可用的目標函式 編譯模型必選兩個引...


Keras學習筆記02 常用的網路層
在搭建神經網路結構時，我們要向網路中新增一些網路層，下面列舉出來常用的網路層及其相關用法。常用層對應於core模組，core內部定義了一系列常用的網路層，包括全連線 啟用層等。1.dense層 dense層 全連線層。keras.layers.core.dense output dim,init g...