keras 构建神经网络的核心组件

Dense

Dense 是keras的全连接层，基本操作如下：

keras.layers.Dense(units, activation=None, input_shape=None)

• units: 正整数，输出空间维度。
• activation: 激活函数，如果不指定默认使用线性激活函数。
• input_shape：当作为第一层神经网络出现时，用来指定输入层的尺寸。

# 作为 Sequential 模型的第一层
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# 现在模型就会以尺寸为 (*, 16) 的数组作为输入，
# 其输出数组的尺寸为 (*, 32)

# 在第一层之后，你就不再需要指定输入的尺寸了：
model.add(Dense(32))

Activation

激活函数常作用于数据输出阶段。

keras.layers.Activation(activation)

• activation：激活函数名称

Dropout

模型丢弃的神经单元比例。

keras.layers.Dropout(rate)

• rate：在 0 和 1 之间浮动。需要丢弃的输入比例。

Flatten

对输入数据形状进行压扁处理，多维变一位。

keras.layers.Flatten()

model = Sequential()
model.add(Conv2D(64, (3, 3),
                 input_shape=(3, 32, 32), padding='same',))
# 现在：model.output_shape == (None, 64, 32, 32)

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

Input

定义数据输入

keras.engine.input_layer.Input()

• shape: 一个尺寸元组（整数），不包含批量大小。 例如，shape=(32,) 表明期望的输入是按批次的 32 维向量。
• batch_shape: 一个尺寸元组（整数），包含批量大小。 例如，batch_shape=(10, 32) 表明期望的输入是 10 个 32 维向量。 batch_shape=(None, 32) 表明任意批次大小的 32 维向量。
• name: 一个可选的层的名称的字符串。 在一个模型中应该是唯一的（不可以重用一个名字两次）。 如未提供，将自动生成。
• dtype: 输入所期望的数据类型，字符串表示 (float32, float64, int32...)
• sparse: 一个布尔值，指明需要创建的占位符是否是稀疏的。

# 这是 Keras 中的一个逻辑回归
x = Input(shape=(32,))
y = Dense(16, activation='softmax')(x)
model = Model(x, y)

Reshape

重新调整网络层输入数据尺寸。

keras.layers.Reshape(target_shape)

• target_shape: 目标尺寸，整数元组。

# 作为 Sequential 模型的第一层
model = Sequential()
model.add(Reshape((3, 4), input_shape=(12,)))
# 现在：model.output_shape == (None, 3, 4)
# 注意： `None` 是批表示的维度

# 作为 Sequential 模型的中间层
model.add(Reshape((6, 2)))
# 现在： model.output_shape == (None, 6, 2)