标签：activity 后端 oca https col name value 置换 实例
目录
Syntax:
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)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)。
Parameters:
a(x) = x)。kernel 权值矩阵的初始化器 (详见 initializers)。kernel 权值矩阵的正则化函数 (详见 regularizer)。kernel 权值矩阵的约束函数 (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)。
syntax：
keras.layers.Activation(activation)参数：
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。
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
(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)。参考文献
keras.layers.Flatten(data_format=None)将输入展平。不影响批量大小。
参数
channels_last（默认值）或者 channels_first。它表明输入的维度的顺序。此参数的目的是当模型从一种数据格式切换到另一种数据格式时保留权重顺序。channels_last 对应着尺寸为 (batch, ..., channels) 的输入，而 channels_first 对应着尺寸为 (batch, channels, ...) 的输入。默认为 image_data_format 的值，你可以在 Keras 的配置文件 ~/.keras/keras.json 中找到它。如果你从未设置过它，那么它将是 channels_last例
model = Sequential()
model.add(Conv2D(64, (3, 3),
input_shape=(3, 32, 32), padding='same',))
# 现在：model.output_shape == (None, 64, 32, 32)
model.add(Flatten())
# 现在：model.output_shape == (None, 65536)keras.engine.input_layer.Input()Input() 用于实例化 Keras 张量。
Keras 张量是底层后端(Theano, TensorFlow 或 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=(32,) 表明期望的输入是按批次的 32 维向量。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。float32, float64, int32...)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)keras.layers.Reshape(target_shape)将输入重新调整为特定的尺寸。
参数
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)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
(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。
keras.layers.RepeatVector(n)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
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)。
keras.layers.Lambda(function, output_shape=None, mask=None, arguments=None)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
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)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)。
参数
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
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。
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：
x[:, 3, :] = 0. 以及 x[:, 5, :] = 0.mask_value=0 的 Masking 层：model = Sequential()
model.add(Masking(mask_value=0., input_shape=(timesteps, features)))
model.add(LSTM(32))keras.layers.SpatialDropout1D(rate)此版本的功能与 Dropout 相同，但它会丢弃整个 1D 的特征图而不是丢弃单个元素。如果特征图中相邻的帧是强相关的（通常是靠前的卷积层中的情况），那么常规的 dropout 将无法使激活正则化，且导致有效的学习速率降低。在这种情况下，SpatialDropout1D 将有助于提高特征图之间的独立性，应该使用它来代替 Dropout。
参数
输入尺寸
3D 张量，尺寸为：(samples, timesteps, channels)
输出尺寸
与输入相同。
参考文献
keras.layers.SpatialDropout2D(rate, data_format=None)此版本的功能与 Dropout 相同，但它会丢弃整个 2D 的特征图而不是丢弃单个元素。如果特征图中相邻的像素是强相关的（通常是靠前的卷积层中的情况），那么常规的 dropout 将无法使激活正则化，且导致有效的学习速率降低。在这种情况下，SpatialDropout2D 将有助于提高特征图之间的独立性，应该使用它来代替 dropout。
参数
channels_first 或者 channels_last。在 channels_first 模式中，通道维度（即深度）位于索引 1，在 channels_last 模式中，通道维度位于索引 3。默认为 image_data_format 的值，你可以在 Keras 的配置文件 ~/.keras/keras.json 中找到它。如果你从未设置过它，那么它将是 channels_last输入尺寸
4D 张量，如果 data_format＝channels_first，尺寸为 (samples, channels, rows, cols)，如果 data_format＝channels_last，尺寸为 (samples, rows, cols, channels)
输出尺寸
与输入相同。
参考文献
keras.layers.SpatialDropout3D(rate, data_format=None)此版本的功能与 Dropout 相同，但它会丢弃整个 3D 的特征图而不是丢弃单个元素。如果特征图中相邻的体素是强相关的（通常是靠前的卷积层中的情况），那么常规的 dropout 将无法使激活正则化，且导致有效的学习速率降低。在这种情况下，SpatialDropout3D 将有助于提高特征图之间的独立性，应该使用它来代替 dropout。
参数
channels_first 或者 channels_last。在 channels_first 模式中，通道维度（即深度）位于索引 1，在 channels_last 模式中，通道维度位于索引 4。默认为 image_data_format 的值，你可以在 Keras 的配置文件 ~/.keras/keras.json 中找到它。如果你从未设置过它，那么它将是 channels_last输入尺寸
5D 张量，如果 data_format＝channels_first，尺寸为 (samples, channels, dim1, dim2, dim3)，如果 data_format＝channels_last，尺寸为 (samples, dim1, dim2, dim3, channels)
输出尺寸
与输入相同。
参考文献
[官方文档]https://keras.io/zh/layers/core/
标签：activity 后端 oca https col name value 置换 实例
原文地址：https://www.cnblogs.com/wangjs-jacky/p/11521778.html
