[source]

GaussianNoise

keras.layers.GaussianNoise(stddev)

应用以 0 为中心的加性高斯噪声。

这对缓解过拟合很有用（你可以将其视为随机数据增强的一种形式）。高斯噪声（GS）是对真实输入的腐蚀过程的自然选择。

由于它是一个正则化层，因此它只在训练时才被激活。

参数

• stddev: float，噪声分布的标准差。

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。

[source]

GaussianDropout

keras.layers.GaussianDropout(rate)

应用以 1 为中心的 乘性高斯噪声。

由于它是一个正则化层，因此它只在训练时才被激活。

参数

• rate: float，丢弃概率（与 Dropout 相同）。这个乘性噪声的标准差为 sqrt(rate / (1 - rate))。

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。

参考文献

• Dropout: A Simple Way to Prevent Neural Networks from Overfitting Srivastava, Hinton, et al. 2014

[source]

AlphaDropout

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

将 Alpha Dropout 应用到输入。

Alpha Dropout 是一种 Dropout，它保持输入的平均值和方差与原来的值不变，以确保即使在 dropout 后也能实现自我归一化。通过随机将激活设置为负饱和值，Alpha Dropout 非常适合按比例缩放的指数线性单元（SELU）。

参数

• rate: float，丢弃概率（与 Dropout 相同）。这个乘性噪声的标准差为 sqrt(rate / (1 - rate))。
• seed: 用作随机种子的 Python 整数。

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。

参考文献

• Self-Normalizing Neural Networks