[source]

LeakyReLU

keras.layers.LeakyReLU(alpha=0.3)

带泄漏的修正线性单元。

当神经元未激活时，它仍可以赋予其一个很小的梯度：
f(x) = alpha * x for x < 0,
f(x) = x for x >= 0.

输入尺寸

可以是任意的。如果将该层作为模型的第一层，
则需要指定 input_shape 参数
（整数元组，不包含样本数量的维度）。

输出尺寸

与输入相同。

参数

• alpha: float >= 0。负斜率系数。

参考文献

• Rectifier Nonlinearities Improve Neural Network Acoustic Models

[source]

PReLU

keras.layers.PReLU(alpha_initializer='zeros', alpha_regularizer=None, alpha_constraint=None, shared_axes=None)

参数化的修正线性单元。

形式：
f(x) = alpha * x for x < 0,
f(x) = x for x >= 0,
其中 alpha 是一个可学习的数组，尺寸与 x 相同。

输入尺寸

可以是任意的。如果将这一层作为模型的第一层，
则需要指定 input_shape 参数
（整数元组，不包含样本数量的维度）。

输出尺寸

与输入相同。

参数

• alpha_initializer: 权重的初始化函数。
• alpha_regularizer: 权重的正则化方法。
• alpha_constraint: 权重的约束。
• shared_axes: 激活函数共享可学习参数的轴。
  例如，如果输入特征图来自输出形状为 (batch, height, width, channels)
  的 2D 卷积层，而且你希望跨空间共享参数，以便每个滤波器只有一组参数，
  可设置 shared_axes=[1, 2]。

参考文献

• Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification

[source]

ELU

keras.layers.ELU(alpha=1.0)

指数线性单元。

形式：
f(x) = alpha * (exp(x) - 1.) for x < 0,
f(x) = x for x >= 0.

输入尺寸

可以是任意的。如果将这一层作为模型的第一层，
则需要指定 input_shape 参数
（整数元组，不包含样本数量的维度）。

输出尺寸

与输入相同。

参数

• alpha: 负因子的尺度。

参考文献

• Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs)

[source]

ThresholdedReLU

keras.layers.ThresholdedReLU(theta=1.0)

带阈值的修正线性单元。

形式：
f(x) = x for x > theta,
f(x) = 0 otherwise.

输入尺寸

可以是任意的。如果将这一层作为模型的第一层，
则需要指定 input_shape 参数
（整数元组，不包含样本数量的维度）。

输出尺寸

与输入相同。

参数

• theta: float >= 0。激活的阈值位。

参考文献

• Zero-Bias Autoencoders and the Benefits of Co-Adapting Features

[source]

Softmax

keras.layers.Softmax(axis=-1)

Softmax 激活函数。

输入尺寸

可以是任意的。如果将这一层作为模型的第一层，
则需要指定 input_shape 参数
（整数元组，不包含样本数量的维度）。

输出尺寸

与输入相同。

参数

• axis: 整数，应用 softmax 标准化的轴。