柳杰的博客

文章目录BinaryCrossentropy实例BinaryCrossentropytf.keras.losses.BinaryCrossentropy( from_logits=False, label_smoothing=0, reduction=losses_utils.ReductionV2.AUTO, name='binary_crossentropy')描述计算真实标签和预测标签之间的交叉熵损失当只有两个标签类(假设为0和1)时，使用这个交叉熵损失。对于每个示例，

文章目录官网tf.keras.layers.Activation( activation, **kwargs)描述对输出应用激活函数参数activation激活函数，例如tf.nn.relu，或内置激活函数的字符串名称，例如“ relu”。Input shape当将此层用作模型的第一层时，请使用关键字参数input_shapeOutput shape与输入相同形状的输出案例...

文章目录官网tf.keras.layers.GaussianNoise( stddev, **kwargs)描述应用高斯噪声这对于减少过度拟合很有用(可以将其视为一种随机数据增强形式)。高斯噪声(GS)作为实值输入的破坏过程是很自然的选择。由于它是一个正则化层，因此仅在训练时才激活参数stddev浮点数，噪声分布的标准差可调用参数inputs输入张量training布尔值，指示该层是应在训练模式下（添加噪声）还是在推理模式下（不执行任何操作）运行In

文章目录Lambda官方案例Lambda官网tf.keras.layers.Lambda( function, output_shape=None, mask=None, arguments=None, **kwargs)描述将任意表达式包装为Layer对象,Lambda层的存在是为了在构建顺序和函数式API模型时可以使用任意的TensorFlow函数。虽然可以在Lambda层中使用变量，但不鼓励这种做法，因为它很容易导致bugInherits From: Layer, Modul

文章目录BatchNormalization参数详解BatchNormalization参数详解原网址tf.keras.layers.BatchNormalization( axis=-1, momentum=0.99, epsilon=0.001, center=True, scale=True, beta_initializer='zeros', gamma_initializer='ones', moving_mean_initializer='zeros', movin

tf.keras.layers.Embedding( input_dim, output_dim, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None, **kwargs)作用是：将正整数（索引）转换为大小固定的向量这个层只能

文章目录Attention层介绍Attention机制通俗理解Attention层介绍tf.keras.layers.Attention( use_scale=False, **kwargs)输入为形状[batch_size，Tq，dim]的查询张量，形状[batch_size，Tv，dim]的值张量和形状[batch_size，Tv，dim]的键张量。计算遵循以下步骤：计算形状为[batch_size，Tq，Tv]的分数作为查询键点积：scores = tf.matmul（quer

tf.keras.layers.Dropout( rate, noise_shape=None, seed=None, **kwargs)作用：将Dropout应用于输入Dropout层在训练期间的每一步中将输入单位随机设置为0，频率为速率，这有助于防止过拟合。未设置为0的输入将按1 /（1-rate）放大，以使所有输入的总和不变。请注意，仅当训练设置为True时才应用Dropout层，以便在推理过程中不会丢弃任何值。使用model.fit时，训练将自动适当地设置为True，在其他情况下

tf.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

tf.keras.layers.Conv1D( filters, kernel_size, strides=1, padding='valid', data_format='channels_last', dilation_rate=1, groups=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regu

tf.compat.v1.layers.MaxPooling1D(pool_size, strides, padding='valid', ='channels_last', name=None,**kwargs)作用：最大池化1D输入pool_size：表示池窗口的大小strides：指定池化操作的步幅padding：填充方法，“valid”或“same”data_format：channels_last（默认）或channels_first中的一个。输入中尺寸的顺序。channel

tf.keras.layers.MaxPool1D( pool_size=2, strides=None, padding='valid', data_format='channels_last', **kwargs)作用： 1D时间数据的最大池化操作通过采用pool_size定义的窗口上的最大值来对输入表示进行下采样。窗口通过strides来控制移动。使用“valid”填充选项时的结果输出具有以下形状：output_shape =（input_shape-pool_size +

tf.keras.callbacks.EarlyStopping( monitor='val_loss', min_delta=0, patience=0, verbose=0, mode='auto', baseline=None, restore_best_weights=False)作用是:当监控指标停止改进时，停止训练假设训练的目标是使损失最小化。这样，监视的指标将是“损失”，模式将是“min”。model.fit()训练循环将在每个epoch结束时检查损失是否不再减少，并

tf.keras.callbacks.ModelCheckpoint( filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', save_freq='epoch', options=None, **kwargs)作用：回调以保存Keras模型或模型权重ModelCheckpoint回调与使用model.fit（）进行的训练结合使用，可以以一

tf.keras.layers.Concatenate( axis=-1, **kwargs)作用是：它接受一个张量列表作为输入，除了连接轴外，所有的张量形状都相同，返回一个张量，它是所有输入的连接import tensorflow as tfx = np.arange(20).reshape(2, 2, 5)print(x)[[[ 0 1 2 3 4] [ 5 6 7 8 9]] [[10 11 12 13 14] [15 16 17 18 19]]]y