局部连接层LocallyConnceted

LocallyConnected1D层

  1. keras.layers.local.LocallyConnected1D(filters, kernel_size, strides=1, padding='valid', data_format=None, 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)

LocallyConnected1D层与Conv1D工作方式类似，唯一的区别是不进行权值共享。即施加在不同输入位置的滤波器是不一样的。

参数

  • filters：卷积核的数目（即输出的维度）

  • kernel_size：整数或由单个整数构成的list/tuple，卷积核的空域或时域窗长度

  • strides：整数或由单个整数构成的list/tuple，为卷积的步长。任何不为1的strides均与任何不为1的dilation_rata均不兼容

  • padding：补0策略，目前仅支持valid（大小写敏感），same可能会在将来支持。

  • activation：激活函数，为预定义的激活函数名（参考激活函数），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）

  • dilation_rate：整数或由单个整数构成的list/tuple，指定dilated convolution中的膨胀比例。任何不为1的dilation_rata均与任何不为1的strides均不兼容。

  • use_bias:布尔值，是否使用偏置项

  • kernel_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

  • 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对象

  • 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对象

  • kernel_constraints：施加在权重上的约束项，为Constraints对象

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

输入shape

形如（samples，steps，input_dim）的3D张量

输出shape

形如（samples，new_steps，nb_filter）的3D张量，因为有向量填充的原因，steps的值会改变

LocallyConnected2D层

  1. keras.layers.local.LocallyConnected2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, 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)

LocallyConnected2D层与Convolution2D工作方式类似，唯一的区别是不进行权值共享。即施加在不同输入patch的滤波器是不一样的，当使用该层作为模型首层时，需要提供参数input_dim或input_shape参数。参数含义参考Convolution2D。

参数

  • filters：卷积核的数目（即输出的维度）

  • kernel_size：单个整数或由两个整数构成的list/tuple，卷积核的宽度和长度。如为单个整数，则表示在各个空间维度的相同长度。

  • strides：单个整数或由两个整数构成的list/tuple，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，目前仅支持valid（大小写敏感），same可能会在将来支持。

  • activation：激活函数，为预定义的激活函数名（参考激活函数），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）

  • data_format：字符串，“channels_first”或“channels_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的image_dim_ordering，“channels_last”对应原本的“tf”，“channels_first”对应原本的“th”。以128x128的RGB图像为例，“channels_first”应将数据组织为（3,128,128），而“channels_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channels_last”。

  • use_bias:布尔值，是否使用偏置项

  • kernel_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

  • 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对象

  • 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对象

  • kernel_constraints：施加在权重上的约束项，为Constraints对象

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

输入shape

‘channels_first’模式下，输入形如（samples,channels，rows，cols）的4D张量

‘channels_last’模式下，输入形如（samples，rows，cols，channels）的4D张量

注意这里的输入shape指的是函数内部实现的输入shape，而非函数接口应指定的input_shape，请参考下面提供的例子。

输出shape

‘channels_first’模式下，为形如（samples，nb_filter, new_rows, new_cols）的4D张量

‘channels_last’模式下，为形如（samples，new_rows, new_cols，nb_filter）的4D张量

输出的行列数可能会因为填充方法而改变

例子

  1. # apply a 3x3 unshared weights convolution with 64 output filters on a 32x32 image
  2. # with `data_format="channels_last"`:
  3. model = Sequential()
  4. model.add(LocallyConnected2D(64, (3, 3), input_shape=(32, 32, 3)))
  5. # now model.output_shape == (None, 30, 30, 64)
  6. # notice that this layer will consume (30*30)*(3*3*3*64) + (30*30)*64 parameters
  8. # add a 3x3 unshared weights convolution on top, with 32 output filters:
  9. model.add(LocallyConnected2D(32, (3, 3)))
  10. # now model.output_shape == (None, 28, 28, 32)