zoukankan      html  css  js  c++  java

  • 深度学习（六）keras常用函数学习

    原文作者：aircraft

    原文链接：https://www.cnblogs.com/DOMLX/p/9769301.html

    深度学习教程目录如下，还在继续更新完善中

    深度学习系列教程目录

     Keras是什么？

    Keras:基于Theano和TensorFlow的深度学习库
    Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：
    • 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
    • 支持CNN和RNN，或二者的结合
    • 无缝CPU和GPU切换

    如果还没有配置keras可以这个博客配置：

    2018最新win10 安装tensorflow1.4（GPU/CPU）+cuda8.0+cudnn8.0-v6 + keras 安装CUDA失败 导入tensorflow失败报错问题解决

     

    kears Dense()函数--全连接层

    keras.layers.core.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  )
    参数：
    units：大于0的整数，代表该层的输出维度。
    activation：激活函数，为预定义的激活函数名（参考激活函数），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）
    use_bias: 布尔值，是否使用偏置项
    kernel_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers
    bias_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers
    kernel_regularizer：施加在权重上的正则项，为Regularizer对象
    bias_regularizer：施加在偏置向量上的正则项，为Regularizer对象
    activity_regularizer：施加在输出上的正则项，为Regularizer对象
    kernel_constraints：施加在权重上的约束项，为Constraints对象
    bias_constraints：施加在偏置上的约束项，为Constraints对象
    input_dim:可以指定输入数据的维度

    kears Conv2D（）函数--卷积层

    若不懂卷积概念可看：深度学习（二）神经网络中的卷积和反卷积原理

     

    keras.layers.Conv2D(filters, kernel_size, 
    　　　　　　　　　　strides=(1, 1), 
    　　　　　　　　　　padding='valid',
    　　　　　　　　　　data_format=None, 
    　　　　　　　　　　dilation_rate=(1, 1), 
    　　　　　　　　　　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)

    2D 卷积层 (例如对图像的空间卷积)。

    该层创建了一个卷积核， 该卷积核对层输入进行卷积， 以生成输出张量。 如果 use_bias 为 True， 则会创建一个偏置向量并将其添加到输出中。 最后，如果 activation 不是 None，它也会应用于输出。

    当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴），例如， input_shape=(128, 128, 3) 表示 128x128 RGB 图像， 在 data_format="channels_last" 时。

    参数

    • filters: 整数，输出空间的维度 （即卷积中滤波器的输出数量）。
    • kernel_size: 一个整数，或者 2 个整数表示的元组或列表， 指明 2D 卷积窗口的宽度和高度。 可以是一个整数，为所有空间维度指定相同的值。
    • strides: 一个整数，或者 2 个整数表示的元组或列表， 指明卷积沿宽度和高度方向的步长。 可以是一个整数，为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
    • padding: "valid" 或 "same" (大小写敏感)。
    • data_format: 字符串， channels_last (默认) 或 channels_first 之一，表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它，将使用 "channels_last"。
    • dilation_rate: 一个整数或 2 个整数的元组或列表， 指定膨胀卷积的膨胀率。 可以是一个整数，为所有空间维度指定相同的值。 当前，指定任何 dilation_rate 值 != 1 与 指定 stride 值 != 1 两者不兼容。
    • activation: 要使用的激活函数 (详见 activations)。 如果你不指定，则不使用激活函数 (即线性激活： a(x) = x)。
    • use_bias: 布尔值，该层是否使用偏置向量。
    • kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
    • bias_initializer: 偏置向量的初始化器 (详见 initializers)。
    • kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
    • bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
    • activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
    • kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
    • bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

    输入尺寸

    • 如果 data_format='channels_first'， 输入 4D 张量，尺寸为 (samples, channels, rows, cols)。
    • 如果 data_format='channels_last'， 输入 4D 张量，尺寸为 (samples, rows, cols, channels)。

    输出尺寸

    • 如果 data_format='channels_first'， 输出 4D 张量，尺寸为 (samples, filters, new_rows, new_cols)。
    • 如果 data_format='channels_last'， 输出 4D 张量，尺寸为 (samples, new_rows, new_cols, filters)。

    别看上面的参数一堆吓死人，其实我们在实际运用的时候用的就只有几个而已：

    inputs = Input(shape=(n_ch,patch_height,patch_width))
conv1 = Conv2D(32, (3, 3), activation='relu', padding='same',data_format='channels_first')(inputs)　　#这个小括号填inputs是代表这层模型连接在inputs之后

    当然还可以用kears内置的序贯模型add添加构成模型图：

    model = Sequential()
# Dense(64) is a fully-connected layer with 64 hidden units.
# in the first layer, you must specify the expected input data shape:
# here, 20-dimensional vectors.
model.add(Dense(64, activation='relu', input_dim=20))

    kears MaxPooling2D()函数--池化层

    若不懂池化概念可看：深度学习（一）神经网络中的池化与反池化原理

     

    keras.layers.pooling.MaxPooling2D( pool_size=(2, 2), strides=None, padding='valid', data_format=None )
    参数：
    pool_size：整数或长为2的整数tuple，代表在两个方向（竖直，水平）上的下采样因子，如取（2，2）将使图片在两个维度上均变为原长的一半。为整数意为各个维度值相同且为该数字。
    strides：整数或长为2的整数tuple，或者None，步长值。
    padding：‘valid’或者‘same’
    data_format：字符串，“channels_first”或“channels_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的image_dim_ordering，“channels_last”对应原本的“tf”，“channels_first”对应原本的“th”。以128x128的RGB图像为例，“channels_first”应将数据组织为（3,128,128），而“channels_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channels_last”。

    还是一样的好多东西默认就行了，下面就是一个2*2的池化层：

    pool1 = MaxPooling2D((2, 2))(conv1)

    kears  model.compile()函数--配置模型

    model.compile(optimizer, loss, metrics=None, sample_weight_mode=None)

    编译用来配置模型的学习过程，其参数有
    optimizer：字符串（预定义优化器名）或优化器对象，参考优化器 
    loss：字符串（预定义损失函数名）或目标函数，参考损失函数
    metrics：列表，包含评估模型在训练和测试时的网络性能的指标，典型用法是metrics=['accuracy']
    sample_weight_mode：如果你需要按时间步为样本赋权（2D权矩阵），将该值设为“temporal”。默认为“None”，代表按样本赋权（1D权）。在下面fit函数的解释中有相关的参考内容。
    kwargs：使用TensorFlow作为后端请忽略该参数，若使用Theano作为后端，kwargs的值将会传递给 K.function

    示例代码：

    model.compile(optimizer='sgd', loss='categorical_crossentropy',metrics=['accuracy'])

    kears  model.fit()函数--模型运行函数

    fit(self, x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0,
    　　validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0 )

    x：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array

    y：标签，numpy array
    batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。
    epochs：整数，训练的轮数，每个epoch会把训练集轮一遍。
    verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
    callbacks：list，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数
    validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等。注意，validation_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation_split，否则可能会出现验证集样本不均匀。
    validation_data：形式为（X，y）的tuple，是指定的验证集。此参数将覆盖validation_spilt。
    shuffle：布尔值或字符串，一般为布尔值，表示是否在训练过程中随机打乱输入样本的顺序。若为字符串“batch”，则是用来处理HDF5数据的特殊情况，它将在batch内部将数据打乱。
    class_weight：字典，将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练）

    sample_weight：权值的numpy array，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为（samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode='temporal'。

    initial_epoch: 从该参数指定的epoch开始训练，在继续之前的训练时有用。

    参数虽多，但是很多都可以省略看代码示例：

    model.fit(patches_imgs_train, patches_masks_train, epochs=N_epochs, batch_size=batch_size, verbose=1, shuffle=True, validation_split=0.1, callbacks=[checkpointer])

    kears  predict()函数--测试数据

    predictions = model.predict(patches_imgs_test, batch_size=32, verbose=2)
print("predicted images size :")
print(predictions.shape)

    kears  load_weights()函数--直接导入训练好的模型

    # 加载训练好的模型
model.load_weights('./weights.h5')

    kears  Dropout()函数--抛弃一些参数防止过拟合

    Dropout（x）
    X可以取0--1之间，代表百分比抛弃数据
    Dropout（0.5）随机抛弃百分之五十的数据

    kears UpSampling2D()函数--上采样函数

    UpSampling2D(size=(2, 2))

    size(x,y)

    x代表行放大倍数  这里取2的话代表原来的一行变成了两行 （就是一行那么粗，变成了两行那么粗）

    y代表列放大倍数  这里取2的话代表原来的一列变成了两行 （就是一列那么粗，变成了两列那么粗）

    size(2,2)其实就等于将原图放大四倍（水平两倍，垂直两倍） 32*32 变成 62*64的图像

    kears Model()函数--代表模型图

    inputs = Input((n_ch, patch_height, patch_width))
    conv1 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(inputs)
    conv1 = Dropout(0.2)(conv1)
    conv1 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(conv1)
    up1 = UpSampling2D(size=(2, 2))(conv1)
    #
    conv2 = Convolution2D(16, 3, 3, activation='relu', border_mode='same')(up1)
    conv2 = Dropout(0.2)(conv2)
    conv2 = Convolution2D(16, 3, 3, activation='relu', border_mode='same')(conv2)
    pool1 = MaxPooling2D(pool_size=(2, 2))(conv2)
    #
    conv3 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(pool1)
    conv3 = Dropout(0.2)(conv3)
    conv3 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(conv3)
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv3)
    #
    conv4 = Convolution2D(64, 3, 3, activation='relu', border_mode='same')(pool2)
    conv4 = Dropout(0.2)(conv4)
    conv4 = Convolution2D(64, 3, 3, activation='relu', border_mode='same')(conv4)
    pool3 = MaxPooling2D(pool_size=(2, 2))(conv4)
    #
    conv5 = Convolution2D(128, 3, 3, activation='relu', border_mode='same')(pool3)
    conv5 = Dropout(0.2)(conv5)
    conv5 = Convolution2D(128, 3, 3, activation='relu', border_mode='same')(conv5)
    #
    up2 = merge([UpSampling2D(size=(2, 2))(conv5), conv4], mode='concat', concat_axis=1)
    conv6 = Convolution2D(64, 3, 3, activation='relu', border_mode='same')(up2)
    conv6 = Dropout(0.2)(conv6)
    conv6 = Convolution2D(64, 3, 3, activation='relu', border_mode='same')(conv6)
    #
    up3 = merge([UpSampling2D(size=(2, 2))(conv6), conv3], mode='concat', concat_axis=1)
    conv7 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(up3)
    conv7 = Dropout(0.2)(conv7)
    conv7 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(conv7)
    #
    up4 = merge([UpSampling2D(size=(2, 2))(conv7), conv2], mode='concat', concat_axis=1)
    conv8 = Convolution2D(16, 3, 3, activation='relu', border_mode='same')(up4)
    conv8 = Dropout(0.2)(conv8)
    conv8 = Convolution2D(16, 3, 3, activation='relu', border_mode='same')(conv8)
    #
    pool4 = MaxPooling2D(pool_size=(2, 2))(conv8)
    conv9 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(pool4)
    conv9 = Dropout(0.2)(conv9)
    conv9 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(conv9)
    #
    conv10 = Convolution2D(2, 1, 1, activation='relu', border_mode='same')(conv9)
    conv10 = core.Reshape((2,patch_height*patch_width))(conv10)
    conv10 = core.Permute((2,1))(conv10)
    ############
    conv10 = core.Activation('softmax')(conv10)

    model = Model(input=inputs, output=conv10)

    将模型的输入和输出给model函数就会自己组建模型运行图结构

    kears Embedding()函数--嵌入层

    keras.layers.embeddings.Embedding( input_dim, output_dim, embeddings_initializer='uniform', 
    　　　　　　　　　　　　　　　　　　　　embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None)
    作用：嵌入层将正整数（下标）转换为具有固定大小的向量，如[[4],[20]]->[[0.25,0.1],[0.6,-0.2]]。Embedding层只能作为模型的第一层。
    input_dim：大或等于0的整数，字典长度，即输入数据最大下标+1，就是矩阵中的最大值
    output_dim：大于0的整数，代表全连接嵌入的维度
    embeddings_initializer: 嵌入矩阵的初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers
    embeddings_regularizer: 嵌入矩阵的正则项，为Regularizer对象
    embeddings_constraint: 嵌入矩阵的约束项，为Constraints对象
    mask_zero：布尔值，确定是否将输入中的‘0’看作是应该被忽略的‘填充’（padding）值，该参数在使用递归层处理变长输入时有用。设置为True的话，模型中后续的层必须都支持masking，否则会抛出异常。如果该值为True，则下标0在字典中不可用，input_dim应设置为|vocabulary| + 2。
    input_length：当输入序列的长度固定时，该值为其长度。如果要在该层后接Flatten层，然后接Dense层，则必须指定该参数，否则Dense层的输出维度无法自动推断。

    关于embeding作用的详细介绍：http://spaces.ac.cn/archives/4122/

    kears normalization()函数--标准化

    keras.layers.normalization.BatchNormalization(axis=-1, momentum=0.99, epsilon=0.001, center=True, 
    scale=True, beta_initializer='zeros', gamma_initializer='ones', moving_mean_initializer='zeros',
     moving_variance_initializer='ones', beta_regularizer=None, gamma_regularizer=None,
     beta_constraint=None, gamma_constraint=None)

    该层在每个batch上将前一层的激活值重新规范化，即使得其输出数据的均值接近0，其标准差接近1

    参数

    • axis: 整数，指定要规范化的轴，通常为特征轴。例如在进行data_format="channels_first的2D卷积后，一般会设axis=1。
    • momentum: 动态均值的动量
    • epsilon：大于0的小浮点数，用于防止除0错误
    • center: 若设为True，将会将beta作为偏置加上去，否则忽略参数beta
    • scale: 若设为True，则会乘以gamma，否则不使用gamma。当下一层是线性的时，可以设False，因为scaling的操作将被下一层执行。
    • beta_initializer：beta权重的初始方法
    • gamma_initializer: gamma的初始化方法
    • moving_mean_initializer: 动态均值的初始化方法
    • moving_variance_initializer: 动态方差的初始化方法
    • beta_regularizer: 可选的beta正则
    • gamma_regularizer: 可选的gamma正则
    • beta_constraint: 可选的beta约束
    • gamma_constraint: 可选的gamma约束

    输入shape

    任意，当使用本层为模型首层时，指定input_shape参数时有意义。

    输出shape

    与输入shape相同

    kears plot()函数--画出模型图

    plot(model, to_file='./'+name_experiment+'/'+name_experiment + '_model.png')

    kears中可以将自己建立的模型图画出来，传进去一个模型，指定画出文件的路径和名字即可

    kears ModelCheckpoint()函数--保存模型参数

    checkpointer = ModelCheckpoint(filepath='./'+name_experiment+'/'+name_experiment +'_best_weights.h5', verbose=1, monitor='val_loss', mode='auto', save_best_only=True)

model.fit(patches_imgs_train, patches_masks_train, epochs=N_epochs, batch_size=batch_size, verbose=1, shuffle=True, validation_split=0.1, callbacks=[checkpointer])
    ModelCheckpoint函数可以指定一定训练次数后保存中间训练的最佳参数
    ModelCheckpoint函数作为model.fit（）函数中回调函数使用

    kears merge()函数--融合层

    Merge层提供了一系列用于融合两个层或两个张量的层对象和方法。以大写首字母开头的是Layer类，以小写字母开头的是张量的函数。小写字母开头的张量函数在内部实际上是调用了大写字母开头的层。

    keras.layers.Add()用法

    keras.layers.Add()

    添加输入列表的图层。

    该层接收一个相同shape列表张量，并返回它们的和，shape不变。

    Example

    import keras

input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
added = keras.layers.Add()([x1, x2])  # equivalent to added = keras.layers.add([x1, x2])

out = keras.layers.Dense(4)(added)
model = keras.models.Model(inputs=[input1, input2], outputs=out)

    keras.layers.Subtract()用法

    keras.layers.Subtract()

    两个输入的层相减。

    它将大小至少为2，相同Shape的列表张量作为输入，并返回一个张量（输入[0] - 输入[1]），也是相同的Shape。

    Example

    import keras

input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
# Equivalent to subtracted = keras.layers.subtract([x1, x2])
subtracted = keras.layers.Subtract()([x1, x2])

out = keras.layers.Dense(4)(subtracted)
model = keras.models.Model(inputs=[input1, input2], outputs=out)

    keras.layers.Multiply()用法

    keras.layers.Multiply()

    该层接收一个列表的同shape张量，并返回它们的逐元素积的张量，shape不变。

    keras.layers.Average()用法

    keras.layers.Average()

    该层接收一个列表的同shape张量，并返回它们的逐元素均值，shape不变。

    keras.layers.Maximum()用法

    keras.layers.Maximum()

    该层接收一个列表的同shape张量，并返回它们的逐元素最大值，shape不变。

    keras.layers.Concatenate(axis=-1)参数

    keras.layers.Concatenate(axis=-1)

    该层接收一个列表的同shape张量，并返回它们的按照给定轴相接构成的向量。

    参数

    • axis: 想接的轴
    • **kwargs: 普通的Layer关键字参数

    keras.layers.Dot(axes, normalize=False)参数

    keras.layers.Dot(axes, normalize=False)

    计算两个tensor中样本的张量乘积。例如，如果两个张量a和b的shape都为（batch_size, n），则输出为形如（batch_size,1）的张量，结果张量每个batch的数据都是a[i,:]和b[i,:]的矩阵（向量）点积。

    参数

    • axes: 整数或整数的tuple，执行乘法的轴。
    • normalize: 布尔值，是否沿执行成绩的轴做L2规范化，如果设为True，那么乘积的输出是两个样本的余弦相似性。
    • **kwargs: 普通的Layer关键字参数

    keras.layers.add(inputs)参数

    keras.layers.add(inputs)

    Add层的函数式包装

    参数：

    • inputs: 长度至少为2的张量列表A
    • **kwargs: 普通的Layer关键字参数

    返回值

    输入列表张量之和

    Example

    import keras

input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
added = keras.layers.add([x1, x2])

out = keras.layers.Dense(4)(added)
model = keras.models.Model(inputs=[input1, input2], outputs=out)

    keras.layers.subtract(inputs)参数

    keras.layers.subtract(inputs)

    Subtract层的函数式包装

    参数：

    • inputs: 长度至少为2的张量列表A
    • **kwargs: 普通的Layer关键字参数

    返回值

    输入张量列表的差别

    Example

    import keras

input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
subtracted = keras.layers.subtract([x1, x2])

out = keras.layers.Dense(4)(subtracted)
model = keras.models.Model(inputs=[input1, input2], outputs=out)

    keras.layers.multiply(inputs)参数

    keras.layers.multiply(inputs)

    Multiply的函数式包装

    参数：

    • inputs: 长度至少为2的张量列表
    • **kwargs: 普通的Layer关键字参数

    返回值

    输入列表张量之逐元素积

    keras.layers.average(inputs)参数

    keras.layers.average(inputs)

    Average的函数包装

    参数：

    • inputs: 长度至少为2的张量列表
    • **kwargs: 普通的Layer关键字参数

    返回值

    输入列表张量之逐元素均值

    keras.layers.maximum(inputs)参数

    keras.layers.maximum(inputs)

    Maximum的函数包装

    参数：

    • inputs: 长度至少为2的张量列表
    • **kwargs: 普通的Layer关键字参数

    返回值

    输入列表张量之逐元素均值

    keras.layers.concatenate(inputs, axis=-1)参数

    keras.layers.concatenate(inputs, axis=-1)

    Concatenate的函数包装

    参数

    • inputs: 长度至少为2的张量列
    • axis: 相接的轴
    • **kwargs: 普通的Layer关键字参数

    keras.layers.dot(inputs, axes, normalize=False)参数

    keras.layers.dot(inputs, axes, normalize=False)

    Dot的函数包装

    参数

    • inputs: 长度至少为2的张量列
    • axes: 整数或整数的tuple，执行乘法的轴。
    • normalize: 布尔值，是否沿执行成绩的轴做L2规范化，如果设为True，那么乘积的输出是两个样本的余弦相似性。
    • **kwargs: 普通的Layer关键字参数

    kears core()模块函数--常用层

    Activation层

    keras.layers.core.Activation(activation)

    激活层对一个层的输出施加激活函数

    参数

    • activation：将要使用的激活函数，为预定义激活函数名或一个Tensorflow/Theano的函数。参考激活函数

    输入shape

    任意，当使用激活层作为第一层时，要指定input_shape

    输出shape

    与输入shape相同

     

    Dropout层

    keras.layers.core.Dropout(rate, noise_shape=None, seed=None)

    为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时按一定概率（rate）随机断开输入神经元，Dropout层用于防止过拟合。

    参数

    • rate：0~1的浮点数，控制需要断开的神经元的比例

    • noise_shape：整数张量，为将要应用在输入上的二值Dropout mask的shape，例如你的输入为(batch_size, timesteps, features)，并且你希望在各个时间步上的Dropout mask都相同，则可传入noise_shape=(batch_size, 1, features)。

    • seed：整数，使用的随机数种子

    参考文献

    Flatten层

    keras.layers.core.Flatten()

    Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。

    例子

    model = Sequential()
model.add(Convolution2D(64, 3, 3,
            border_mode='same',
            input_shape=(3, 32, 32)))
# now: model.output_shape == (None, 64, 32, 32)

model.add(Flatten())
# now: model.output_shape == (None, 65536)

    Reshape层

    keras.layers.core.Reshape(target_shape)

    Reshape层用来将输入shape转换为特定的shape

    参数

    • target_shape：目标shape，为整数的tuple，不包含样本数目的维度（batch大小）

    输入shape

    任意，但输入的shape必须固定。当使用该层为模型首层时，需要指定input_shape参数

    输出shape

    (batch_size,)+target_shape

    例子

    # as first layer in a Sequential model
model = Sequential()
model.add(Reshape((3, 4), input_shape=(12,)))
# now: model.output_shape == (None, 3, 4)
# note: `None` is the batch dimension

# as intermediate layer in a Sequential model
model.add(Reshape((6, 2)))
# now: model.output_shape == (None, 6, 2)

# also supports shape inference using `-1` as dimension
model.add(Reshape((-1, 2, 2)))
# now: model.output_shape == (None, 3, 2, 2)

    Permute层

    keras.layers.core.Permute(dims)

    Permute层将输入的维度按照给定模式进行重排，例如，当需要将RNN和CNN网络连接时，可能会用到该层。

    参数

    • dims：整数tuple，指定重排的模式，不包含样本数的维度。重拍模式的下标从1开始。例如（2，1）代表将输入的第二个维度重拍到输出的第一个维度，而将输入的第一个维度重排到第二个维度

    例子

    model = Sequential()
model.add(Permute((2, 1), input_shape=(10, 64)))
# now: model.output_shape == (None, 64, 10)
# note: `None` is the batch dimension

    输入shape

    任意，当使用激活层作为第一层时，要指定input_shape

    输出shape

    与输入相同，但是其维度按照指定的模式重新排列

    RepeatVector层

    keras.layers.core.RepeatVector(n)

    RepeatVector层将输入重复n次

    参数

    • n：整数，重复的次数

    输入shape

    形如（nb_samples, features）的2D张量

    输出shape

    形如（nb_samples, n, features）的3D张量

    例子

    model = Sequential()
model.add(Dense(32, input_dim=32))
# now: model.output_shape == (None, 32)
# note: `None` is the batch dimension

model.add(RepeatVector(3))
# now: model.output_shape == (None, 3, 32)

    Lambda层

    keras.layers.core.Lambda(function, output_shape=None, mask=None, arguments=None)

    本函数用以对上一层的输出施以任何Theano/TensorFlow表达式

    参数

    • function：要实现的函数，该函数仅接受一个变量，即上一层的输出

    • output_shape：函数应该返回的值的shape，可以是一个tuple，也可以是一个根据输入shape计算输出shape的函数

    • mask: 掩膜

    • arguments：可选，字典，用来记录向函数中传递的其他关键字参数

    例子

    # add a x -> x^2 layer
model.add(Lambda(lambda x: x ** 2))

    # add a layer that returns the concatenation
# of the positive part of the input and
# the opposite of the negative part

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))

    输入shape

    任意，当使用该层作为第一层时，要指定input_shape

    输出shape

    由output_shape参数指定的输出shape，当使用tensorflow时可自动推断

    ActivityRegularizer层

    keras.layers.core.ActivityRegularization(l1=0.0, l2=0.0)

    经过本层的数据不会有任何变化，但会基于其激活值更新损失函数值

    参数

    • l1：1范数正则因子（正浮点数）

    • l2：2范数正则因子（正浮点数）

    输入shape

    任意，当使用该层作为第一层时，要指定input_shape

    输出shape

    与输入shape相同

    Masking层

    keras.layers.core.Masking(mask_value=0.0)

    使用给定的值对输入的序列信号进行“屏蔽”，用以定位需要跳过的时间步

    对于输入张量的时间步，即输入张量的第1维度（维度从0开始算，见例子），如果输入张量在该时间步上都等于mask_value，则该时间步将在模型接下来的所有层（只要支持masking）被跳过（屏蔽）。

    如果模型接下来的一些层不支持masking，却接受到masking过的数据，则抛出异常。

    例子

    考虑输入数据x是一个形如(samples,timesteps,features)的张量，现将其送入LSTM层。因为你缺少时间步为3和5的信号，所以你希望将其掩盖。这时候应该：

    • 赋值x[:,3,:] = 0.，x[:,5,:] = 0.

    • 在LSTM层之前插入mask_value=0.的Masking层

    model = Sequential()
model.add(Masking(mask_value=0., input_shape=(timesteps, features)))
model.add(LSTM(32))

    

     参考网址链接：https://keras-cn.readthedocs.io/en/latest/
    


    若有兴趣交流分享技术，可关注本人公众号，里面会不定期的分享各种编程教程，和共享源码，诸如研究分享关于c/c++,python,前端，后端，opencv,halcon,opengl,机器学习深度学习之类有关于基础编程，图像处理和机器视觉开发的知识
    

    

    
    
                
    
                
              
    • 
              
    
              
  • 

                相关阅读:
    
                
                  Jmeter-跨线程组传参
                    
    HTTP请求方法：GET和POST
                    
    Java之数组的遍历、最大值、最小值、、总和、平均值、数组的复制，反转，查找（线性查找、二分法查找）
                    
    Java数组
                    
    Java代码题2
                    
    Java程序流程控制
                    
    Java代码题
                    
    JAVA基本语法
                    
    Java语言特性与基础
                    
    jmeter接口测试带有token的请求
                    
                        
              
    • 
              
    
              
  • 
                原文地址：https://www.cnblogs.com/DOMLX/p/9769301.html
              
    • 

            

          



          
          

            

            

          

        

      

      



      

      

        

          Copyright © 2011-2022 走看看