Keras读书笔记----网络层（Core常用层）

最新推荐文章于 2024-09-10 21:47:07 发布

原创

最新推荐文章于 2024-09-10 21:47:07 发布 · 5.5k 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#Keras #网络层

本文是关于Keras网络层的读书笔记，详细介绍了包括Dense、Activation、Dropout、SpatialDropout及Flatten等在内的核心层的用法，涵盖各层的参数设置和功能作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 所有层共有方法

layer.get_weights() ：返回层的权重（ numpy array）
layer.set_weights(weights) ：从numpy array中将权重加载到该层中，要求numpy array的形状与get_weights的形状相同
layer.get_config() ：返回当前层配置信息的字典，层也可以借由配置信息重构

from keras.utils.layer_utils import layer_from_config
config = layer.get_config()
layer = layer_from_config(config)

如果层仅有一个计算节点（即该层不是共享层），则可以通过下列方法获得输入张量、输出张量、输入数据的形状和输出数据的形状：

layer.input
layer.output
layer.input_shape
layer.output_shape

如果该层有多个计算节点（参考层计算节点和共享层）。可以使用下面的方法

layer.get_input_at(node_index)
layer.get_output_at(node_index)
layer.get_input_shape_at(node_index)
layer.get_output_shape_at(node_index)

2. 常用层

常用层对应于core模块， core内部定义了一系列常用的网络层，包括全连接、激活层等

2.1. Dense层

keras.layers.core.Dense(output_dim, init='glorot_uniform', activation='linear', weights=None, W_regularizer=None, b_regularizer=None, activity_regularizer=None, W_constraint=None, b_constraint=None, bias=True, input_dim=None)

output_dim：大于0的整数，代表该层的输出维度。模型中非首层的全连接层其输入维度可以自动推断，因此非首层的全连接定义时不需要指定输入维度。
init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。该参数仅在不传递 weights 参数时才有意义。
activation：激活函数，为预定义的激活函数名，或逐元素（ element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数： a(x)=x）
weights：权值，为numpy array的list。该list应含有一个形如（ input_dim,output_dim）的权重矩阵和一个形如(output_dim,)的偏置向量。
W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象
activity_regularizer：施加在输出上的正则项，为ActivityRegularizer对象