首先暴露一个问题,对卷积的CNN和RNN不太熟悉,额哈哈~~~
然后,深度学习模型一般由各种模型层组合而成。
tf.keras.layers内置了非常丰富的各种功能的模型层。例如,
layers.Dense,layers.Flatten,layers.Input,layers.DenseFeature,layers.Dropout
layers.Conv2D,layers.MaxPooling2D,layers.Conv1D
layers.Embedding,layers.GRU,layers.LSTM,layers.Bidirectional等等。
如果这些内置模型层不能够满足需求,我们也可以通过编写tf.keras.Lambda匿名模型层或继承tf.keras.layers.Layer基类构建自定义的模型层。其中tf.keras.Lambda匿名模型层只适用于构造没有学习参数的模型层。
1、基础层
Dense:密集连接层。参数个数 = 输入层特征数× 输出层特征数(weight)+ 输出层特征数(bias)
Activation:激活函数层。一般放在Dense层后面,等价于在Dense层中指定activation。
Dropout:随机置零层。训练期间以一定几率将输入置0,一种正则化手段。
BatchNormalization:批标准化层。通过线性变换将输入批次缩放平移到稳定的均值和标准差。可以增强模型对输入不同分布的适应性,加快模型训练速度,有轻微正则化效果。一般在激活函数之前使用。
SpatialDropout2D:空间随机置零层。训练期间以一定几率将整个特征图置0,一种正则化手段,有利于避免特征图之间过高的相关性。
Input:输入层。通常使用Functional API方式构建模型时作为第一层。
DenseFeature:特征列接入层,用于接收一个特征列列表并产生一个密集连接层。
Flatten:压平层,用于将多维张量压成一维。
Reshape:形状重塑层,改变输入张量的形状。
Concatenate:拼接层,将多个张量在某个维度上拼接。
Add:加法层。
Subtract: 减法层。
Maximum:取最大值层。
Minimum:取最小值层。
卷积网络相关层
Conv1D:普通一维卷积,常用于文本。参数个数 = 输入通道数×卷积核尺寸(如3)×卷积核个数
Conv2D:普通二维卷积,常用于图像。参数个数 = 输入通道数×卷积核尺寸(如3乘3)×卷积核个数
Conv3D:普通三维卷积,常用于视频。参数个数 = 输入通道数×卷积核尺寸(如3乘3乘3)×卷积核个数
MaxPooling2D: 二维最大池化层。也称作下采样层。池化层无参数,主要作用是降维。
AveragePooling2D: 二维平均池化层。
GlobalMaxPool2D: 全局最大池化层。每个通道仅保留一个值。一般从卷积层过渡到全连接层时使用,是Flatten的替代方案。
GlobalAvgPool2D: 全局平均池化层。每个通道仅保留一个值。
循环网络相关层
Embedding:嵌入层。一种比Onehot更加有效的对离散特征进行编码的方法。一般用于将输入中的单词映射为稠密向量。嵌入层的参数需要学习。
LSTM:长短记忆循环网络层。最普遍使用的循环网络层。具有携带轨道,遗忘门,更新门,输出门。可以较为有效地缓解梯度消失问题,从而能够适用长期依赖问题。设置return_sequences = True时可以返回各个中间步骤输出,否则只返回最终输出。
GRU:门控循环网络层。LSTM的低配版,不具有携带轨道,参数数量少于LSTM,训练速度更快。
SimpleRNN:简单循环网络层。容易存在梯度消失,不能够适用长期依赖问题。一般较少使用。
ConvLSTM2D:卷积长短记忆循环网络层。结构上类似LSTM,但对输入的转换操作和对状态的转换操作都是卷积运算。
Bidirectional:双向循环网络包装器。可以将LSTM,GRU等层包装成双向循环网络。从而增强特征提取能力。
RNN:RNN基本层。接受一个循环网络单元或一个循环单元列表,通过调用tf.keras.backend.rnn函数在序列上进行迭代从而转换成循环网络层。
LSTMCell:LSTM单元。和LSTM在整个序列上迭代相比,它仅在序列上迭代一步。可以简单理解LSTM即RNN基本层包裹LSTMCell。
GRUCell:GRU单元。和GRU在整个序列上迭代相比,它仅在序列上迭代一步。
SimpleRNNCell:SimpleRNN单元。和SimpleRNN在整个序列上迭代相比,它仅在序列上迭代一步。
AbstractRNNCell:抽象RNN单元。通过对它的子类化用户可以自定义RNN单元,再通过RNN基本层的包裹实现用户自定义循环网络层。
Attention:Dot-product类型注意力机制层。可以用于构建注意力模型。
AdditiveAttention:Additive类型注意力机制层。可以用于构建注意力模型。
TimeDistributed:时间分布包装器。包装后可以将Dense、Conv2D等作用到每一个时间片段上。
自定义模型层
如果自定义模型层没有需要被训练的参数,一般推荐使用Lamda层实现。
如果自定义模型层有需要被训练的参数,则可以通过对Layer基类子类化实现。
Lamda层由于没有需要被训练的参数,只需要定义正向传播逻辑即可,使用比Layer基类子类化更加简单。
Lamda层的正向逻辑可以使用Python的lambda函数来表达,也可以用def关键字定义函数来表达。
for example:自定义模型呀~~~
Layer的子类化一般需要重新实现初始化方法,Build方法和Call方法。下面是一个简化的线性层的范例,类似Dense.
import tensorflow as tf
from tensorflow.keras import layers,models,regularizers
#Layer的子类化一般需要重新实现初始化方法,Build方法和Call方法。下面是一个简化的线性层的范例,类似Dense.
15 class Linear(layers.Layer):
16 def __init__(self, units=32, **kwargs):
17 super(Linear, self).__init__(**kwargs)
18 self.units = units
19
20 #build方法一般定义Layer需要被训练的参数。
21 def build(self, input_shape):
22 #求列数
23 self.w = self.add_weight(shape=(input_shape[-1], self.units),
24 initializer='random_normal',
25 trainable=True)
26 self.b = self.add_weight(shape=(self.units,),
27 initializer='random_normal',
28 trainable=True)
29 super(Linear,self).build(input_shape) # 相当于设置self.built = True
30
31 #call方法一般定义正向传播运算逻辑,__call__方法调用了它。
32 def call(self, inputs):
33 return tf.matmul(inputs, self.w) + self.b
34
35 #如果要让自定义的Layer通过Functional API 组合成模型时可以序列化,需要自定义get_config方法。
36 def get_config(self):
37 config =super(Linear, self).get_config()
38 config.update({'units': self.units})
39 return config
40
41linear = Linear(units = 8)
42print(linear.built)
43#指定input_shape,显式调用build方法,第0维代表样本数量,用None填充
44linear.build(input_shape = (None,16))
45print(linear.built)
46
47linear = Linear(units = 8)
48print(linear.built)
49linear.build(input_shape = (None,16))
50print(linear.compute_output_shape(input_shape = (None,16)))
51
52linear = Linear(units = 16)
53print(linear.built)
54#如果built = False,调用__call__时会先调用build方法, 再调用call方法。
55linear(tf.random.uniform((100,64)))
56print(linear.built)
57config = linear.get_config()
58print(config)
59
60
61tf.keras.backend.clear_session()
62
63model = models.Sequential()
64#注意该处的input_shape会被模型加工,无需使用None代表样本数量维
65model.add(Linear(units = 16,input_shape = (64,)))
66print("model.input_shape: ",model.input_shape)
67print("model.output_shape: ",model.output_shape)
68model.summary()
网友评论