Keras深度学习框架基础第二讲：层接口(layers API)第一部分layer概述

1、层概述

在Keras中，层（Layers）是神经网络的基本构建块。一个层由一个“张量输入-张量输出”的计算函数（即层的call方法）和一些存储在TensorFlow变量中的状态（即层的权重）组成。

keras中的Layer的实例是可以被调用的，就像调用一个函数一样。

具体来说，在Keras中定义了一个层之后，程序员可以像调用函数那样来调用这个层的实例。当传入一个或多个输入张量给这个层时，它会通过其call方法执行计算，并返回输出张量。这种可调用性使得构建和组合神经网络变得非常直观和简单。

1.1层与神经网络的关系

Keras的层和神经网络之间有着紧密的关系。在Keras中，神经网络是由一系列层（Layers）构建而成的，每一层负责处理输入数据并传递（或变换）该数据到下一层。这种分层结构使得神经网络能够执行复杂的计算任务，如图像识别、自然语言处理等。

具体来说，神经网络通常包含一个或多个隐藏层（Hidden Layers），这些隐藏层由不同的Keras层构成，如全连接层（Dense层）、卷积层（Conv2D层）、池化层（MaxPooling2D层）等。这些层通过特定的计算方式（如矩阵乘法、卷积操作等）对输入数据进行处理，并将结果传递给下一层。

在神经网络的开始，通常有一个输入层（Input Layer），它负责接收原始数据并将其传递给第一个隐藏层。输入层本身并不包含任何可训练的参数（如权重和偏置），它只是定义了输入数据的形状和类型。

神经网络的最后通常是一个输出层（Output Layer），它负责将最后一层隐藏层的输出转换为所需的输出格式。输出层的类型取决于具体任务的需求，例如，在分类任务中，输出层可能是一个softmax层，用于将隐藏层的输出转换为概率分布；在回归任务中，输出层可能是一个简单的线性层，直接输出预测值。

在训练神经网络时，通过反向传播算法（Backpropagation）和梯度下降优化器（如SGD、Adam等），逐层调整每层的权重和偏置参数，以最小化损失函数（Loss Function）的值。这样，神经网络就能够逐渐学习到从输入数据到输出数据的映射关系，从而完成各种复杂的任务。

总之，Keras的层是构建神经网络的基本组件，它们通过特定的计算方式对输入数据进行处理并传递结果，最终构成了一个完整的神经网络模型。

1.2层的定义方法

Keras的层和神经网络之间有着紧密的关系。在Keras中，神经网络是由一系列层（Layers）构建而成的，每一层负责处理输入数据并传递（或变换）该数据到下一层。这种分层结构使得神经网络能够执行复杂的计算任务，如图像识别、自然语言处理等。

具体来说，神经网络通常包含一个或多个隐藏层（Hidden Layers），这些隐藏层由不同的Keras层构成，如全连接层（Dense层）、卷积层（Conv2D层）、池化层（MaxPooling2D层）等。这些层通过特定的计算方式（如矩阵乘法、卷积操作等）对输入数据进行处理，并将结果传递给下一层。

在神经网络的开始，通常有一个输入层（Input Layer），它负责接收原始数据并将其传递给第一个隐藏层。输入层本身并不包含任何可训练的参数（如权重和偏置），它只是定义了输入数据的形状和类型。

神经网络的最后通常是一个输出层（Output Layer），它负责将最后一层隐藏层的输出转换为所需的输出格式。输出层的类型取决于具体任务的需求，例如，在分类任务中，输出层可能是一个softmax层，用于将隐藏层的输出转换为概率分布；在回归任务中，输出层可能是一个简单的线性层，直接输出预测值。

在训练神经网络时，通过反向传播算法（Backpropagation）和梯度下降优化器（如SGD、Adam等），逐层调整每层的权重和偏置参数，以最小化损失函数（Loss Function）的值。这样，神经网络就能够逐渐学习到从输入数据到输出数据的映射关系，从而完成各种复杂的任务。

总之，Keras的层是构建神经网络的基本组件，它们通过特定的计算方式对输入数据进行处理并传递结果，最终构成了一个完整的神经网络模型。

2、认识layers

2.1 基础调用方法

import keras
from keras import layers

layer = layers.Dense(32, activation='relu')
inputs = keras.random.uniform(shape=(10, 20))
outputs = layer(inputs)

与函数不同，Keras中的层（Layers）维护了一个状态，这个状态在训练过程中会根据输入的数据进行更新，并且存储在layer.weights中。这些权重是层在训练过程中学习到的参数，它们决定了层如何转换输入数据。

具体来说，当一个层被实例化后，它可能包含一些可训练的参数（如权重和偏置），这些参数在训练开始前会被随机初始化。然后，在训练过程中，每当数据通过该层时，层会根据其内部的计算逻辑（即call方法）对数据进行处理，并计算出输出。同时，根据损失函数计算出的梯度信息，通过优化器（如SGD、Adam等）来更新这些可训练的参数（即权重和偏置）。

这些更新后的权重和偏置会被存储在layer.weights中，供下一次前向传播和反向传播使用。因此，随着训练的进行，层的权重会逐渐调整，使得网络能够更好地拟合训练数据，并提高在测试数据上的性能。

需要注意的是，虽然层的权重在训练过程中会被更新，但层的结构（即计算逻辑）是固定的，不会随着训练的进行而改变。这使得神经网络具有了一定的泛化能力，即能够处理未见过的数据。

>>> layer.weights
[<KerasVariable shape=(20, 32), dtype=float32, path=dense/kernel>,