[source]

Dense

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)

就是普通的全连接层。

Dense 实现以下操作：
output = activation(dot(input, kernel) + bias)
其中 activation 是按逐个元素计算的激活函数，kernel
是由网络层创建的权值矩阵，以及 bias 是其创建的偏置向量
(只在 use_bias 为 True 时才有用)。

• 注意: 如果该层的输入的秩大于2，那么它首先被展平然后
  再计算与 kernel 的点乘。

例

# 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))

参数

• units: 正整数，输出空间维度。
• activation: 激活函数
  (详见 activations)。
  若不指定，则不使用激活函数
  (即， “线性”激活: a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• kernel_initializer: kernel 权值矩阵的初始化器
  (详见 initializers)。
• bias_initializer: 偏置向量的初始化器
  (see initializers).
• kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数
  (详见 regularizer)。
• bias_regularizer: 运用到偏置向的的正则化函数
  (详见 regularizer)。
• activity_regularizer: 运用到层的输出的正则化函数
  (它的 “activation”)。
  (详见 regularizer)。
• kernel_constraint: 运用到 kernel 权值矩阵的约束函数
  (详见 constraints)。
• bias_constraint: 运用到偏置向量的约束函数
  (详见 constraints)。

输入尺寸

nD 张量，尺寸: (batch_size, ..., input_dim)。
最常见的情况是一个尺寸为 (batch_size, input_dim)
的 2D 输入。

输出尺寸

nD 张量，尺寸: (batch_size, ..., units)。
例如，对于尺寸为 (batch_size, input_dim) 的 2D 输入，
输出的尺寸为 (batch_size, units)。

[source]

Activation

keras.layers.Activation(activation)

将激活函数应用于输出。

参数

• activation: 要使用的激活函数的名称
  (详见: activations)，
  或者选择一个 Theano 或 TensorFlow 操作。

输入尺寸

任意尺寸。
当使用此层作为模型中的第一层时，
使用参数 input_shape
（整数元组，不包括样本数的轴）。

输出尺寸

与输入相同。

[source]

Dropout

keras.layers.Dropout(rate, noise_shape=None, seed=None)

将 Dropout 应用于输入。

Dropout 包括在训练中每次更新时，
将输入单元的按比率随机设置为 0，
这有助于防止过拟合。

参数

• rate: 在 0 和 1 之间浮动。需要丢弃的输入比例。
• noise_shape: 1D 整数张量，
  表示将与输入相乘的二进制 dropout 掩层的形状。
  例如，如果你的输入尺寸为
  (batch_size, timesteps, features)，然后
  你希望 dropout 掩层在所有时间步都是一样的，
  你可以使用 noise_shape=(batch_size, 1, features)。
• seed: 一个作为随机种子的 Python 整数。

参考文献

• Dropout: A Simple Way to Prevent Neural Networks from Overfitting

[source]

Flatten

keras.layers.Flatten()

将输入展平。不影响批量大小。

例

model = Sequential()
model.add(Conv2D(64, 3, 3,
                 border_mode='same',
                 input_shape=(3, 32, 32)))
# 现在：model.output_shape == (None, 64, 32, 32)
model.add(Flatten())
# 现在：model.output_shape == (None, 65536)

[source]

Input

keras.engine.topology.Input()

Input() 用于实例化 Keras 张量。

Keras 张量是底层后端(Theano, TensorFlow or CNTK)
的张量对象，我们增加了一些特性，使得能够通过了解模型的输入
和输出来构建Keras模型。

例如，如果 a, b 和 c 都是 Keras 张量，
那么以下操作是可行的：
model = Model(input=[a, b], output=c)

添加的 Keras 属性是：

• _keras_shape: 通过 Keras端的尺寸推理
  进行传播的整数尺寸元组。
• _keras_history: 应用于张量的最后一层。
  整个网络层计算图可以递归地从该层中检索。

参数

• shape: 一个尺寸元组（整数），不包含批量大小。A shape tuple (integer), not including the batch size.
  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。
• tensor: 可选的可封装到 Input 层的现有张量。
  如果设定了，那么这个层将不会创建占位符张量。

返回

一个张量。

例

# 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)

[source]

Reshape

keras.layers.Reshape(target_shape)

将输入重新调整为特定的尺寸。

参数

• target_shape: 目标尺寸。整数元组。
  不包含表示批量的轴。

输入尺寸

任意，尽管输入尺寸中的所有维度必须是固定的。
当使用此层作为模型中的第一层时，
使用参数 input_shape
（整数元组，不包括样本数的轴）。

输出尺寸

(batch_size,) + target_shape

例

# 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)
# 还支持使用 `-1` 表示维度的尺寸推断
model.add(Reshape((-1, 2, 2)))
# 现在： model.output_shape == (None, 3, 2, 2)

[source]

Permute

keras.layers.Permute(dims)

根据给定的模式置换输入的维度。

在某些场景下很有用，例如将 RNN 和 CNN 连接在一起。

例

model = Sequential()
model.add(Permute((2, 1), input_shape=(10, 64)))
# 现在： model.output_shape == (None, 64, 10)
# 注意： `None` 是批表示的维度

参数

• dims: 整数元组。置换模式，不包含样本维度。
  索引从 1 开始。
  例如, (2, 1) 置换输入的第一和第二个维度。

输入尺寸

任意。当使用此层作为模型中的第一层时，
使用参数 input_shape
（整数元组，不包括样本数的轴）。

输出尺寸

与输入尺寸相同，但是维度根据指定的模式重新排列。

[source]

RepeatVector

keras.layers.RepeatVector(n)

将输入重复 n 次。

例

model = Sequential()
model.add(Dense(32, input_dim=32))
# 现在： model.output_shape == (None, 32)
# 注意： `None` 是批表示的维度
model.add(RepeatVector(3))
# 现在： model.output_shape == (None, 3, 32)

参数

• n: 整数，重复次数。

输入尺寸

2D 张量，尺寸为 (num_samples, features)。

输出尺寸

3D 张量，尺寸为 (num_samples, n, features)。

[source]

Lambda

keras.layers.Lambda(function, output_shape=None, mask=None, arguments=None)

将任意表达式封装为 Layer 对象。

例

# 添加一个 x -> x^2 层
model.add(Lambda(lambda x: x ** 2))

# 添加一个网络层，返回输入的正数部分
# 与负数部分的反面的连接
def antirectifier(x):
    x -= K.mean(x, axis=1, keepdims=True)
    x = K.l2_normalize(x, axis=1)
    pos = K.relu(x)
    neg = K.relu(-x)
    return K.concatenate([pos, neg], axis=1)
def antirectifier_output_shape(input_shape):
    shape = list(input_shape)
    assert len(shape) == 2  # only valid for 2D tensors
    shape[-1] *= 2
    return tuple(shape)
model.add(Lambda(antirectifier,
                 output_shape=antirectifier_output_shape))

参数

• function: 需要封装的函数。
  将输入张量作为第一个参数。
• output_shape: 预期的函数输出尺寸。
  只在使用 Theano 时有意义。
  可以是元组或者函数。
  如果是元组，它只指定第一个维度；
  样本维度假设与输入相同：
  output_shape = (input_shape[0], ) + output_shape
  或者，输入是 None 且样本维度也是 None：
  output_shape = (None, ) + output_shape
  如果是函数，它指定整个尺寸为输入尺寸的一个函数：
  output_shape = f(input_shape)
• arguments: 可选的需要传递给函数的关键字参数。

输入尺寸

任意。当使用此层作为模型中的第一层时，
使用参数 input_shape
（整数元组，不包括样本数的轴）。

输出尺寸

由 output_shape 参数指定
(或者在使用 TensorFlow 时，自动推理得到)。

[source]

ActivityRegularization

keras.layers.ActivityRegularization(l1=0.0, l2=0.0)

网络层，对基于代价函数的输入活动应用一个更新。

参数

• l1: L1 正则化因子 (正数浮点型)。
• l2: L2 正则化因子 (正数浮点型)。

输入尺寸

任意。当使用此层作为模型中的第一层时，
使用参数 input_shape
（整数元组，不包括样本数的轴）。

输出尺寸

与输入相同。

[source]

Masking

keras.layers.Masking(mask_value=0.0)

使用覆盖值覆盖序列，以跳过时间步。

对于输入张量的每一个时间步（张量的第一个维度），
如果所有时间步中输入张量的值与 mask_value 相等，
那么这个时间步将在所有下游层被覆盖 (跳过)
（只要它们支持覆盖）。

如果任何下游层不支持覆盖但仍然收到此类输入覆盖信息，会引发异常。

例

考虑将要喂入一个 LSTM 层的 Numpy 矩阵 x，
尺寸为 (samples, timesteps, features)。
你想要覆盖时间步 #3 和 #5，因为你缺乏这几个
时间步的数据。你可以：

• 设置 x[:, 3, :] = 0. 以及 x[:, 5, :] = 0.
• 在 LSTM 层之前，插入一个 mask_value=0 的 Masking 层：

model = Sequential()
model.add(Masking(mask_value=0., input_shape=(timesteps, features)))
model.add(LSTM(32))