我就廢話不多說了,大家還是直接看代碼吧!
''' Created on 2018-4-4 ''' keras.layers.core.Dense( units, #代表該層的輸出維度 activation=None, #激活函數.但是默認 liner use_bias=True, #是否使用b kernel_initializer='glorot_uniform', #初始化w權重,keras/initializers.py bias_initializer='zeros', #初始化b權重 kernel_regularizer=None, #施加在權重w上的正則項,keras/regularizer.py bias_regularizer=None, #施加在偏置向量b上的正則項 activity_regularizer=None, #施加在輸出上的正則項 kernel_constraint=None, #施加在權重w上的約束項 bias_constraint=None #施加在偏置b上的約束項 ) # 所實現的運算是output = activation(dot(input, kernel)+bias) # model.add(Dense(units=64, activation='relu', input_dim=784)) # keras初始化所有激活函數,activation: # kerasactivations.py # kerasackendcntk_backend.py # import cntk as C # 1.softmax: # 對輸入數據的最後一維進行softmax,一般用在輸出層; # ndim == 2,K.softmax(x),其實調用的是cntk,是一個模塊; # ndim >= 2,e = K.exp(x - K.max(x)),s = K.sum(e),return e / s # 2.elu # K.elu(x) # 3.selu: 可伸縮的指數線性單元 # alpha = 1.6732632423543772848170429916717 # scale = 1.0507009873554804934193349852946 # return scale * K.elu(x, alpha) # 4.softplus # C.softplus(x) # 5.softsign # return x / (1 + C.abs(x)) # 6.relu # def relu(x, alpha=0., max_value=None): # if alpha != 0.: # negative_part = C.relu(-x) # x = C.relu(x) # if max_value is not None: # x = C.clip(x, 0.0, max_value) # if alpha != 0.: # x -= alpha * negative_part # return x # 7.tanh # return C.tanh(x) # 8.sigmoid # return C.sigmoid(x) # 9.hard_sigmoid # x = (0.2 * x) + 0.5 # x = C.clip(x, 0.0, 1.0) # return x # 10.linear # return x # keras初始化所有方法,initializer: # Zeros # Ones # Constant(固定一個值) # RandomNormal(正態分佈) # RandomUniform(均勻分佈) # TruncatedNormal(截尾高斯分佈,神經網絡權重和濾波器的推薦初始化方法) # VarianceScaling(該初始化方法能夠自適應目標張量的shape) # Orthogonal(隨機正交矩陣初始化) # Identiy(單位矩陣初始化,僅適用於2D方陣) # lecun_uniform(LeCun均勻分佈初始化) # lecun_normal(LeCun正態分佈初始化) # glorot_normal(Glorot正態分佈初始化) # glorot_uniform(Glorot均勻分佈初始化) # he_normal(He正態分佈初始化) # he_uniform(He均勻分佈初始化,Keras中文文檔寫錯了) # keras正則化,regularizer: # import backend as K # L1: regularization += K.sum(self.l1 * K.abs(x)) # L2: regularization += K.sum(self.l2 * K.square(x))
補充知識:keras.layers.Dense()方法及其參數
一、Dense層
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)
二、參數
units: 神經元節點數數,雞輸出空間維度。
activation: 激活函數,若不指定,則不使用激活函數 (即線性激活: a(x) = x)。
use_bias: 布爾值,該層是否使用偏置向量。
kernel_initializer: kernel 權值矩陣的初始化器
bias_initializer: 偏置向量的初始化器
kernel_regularizer: 運用到 kernel 權值矩陣的正則化函數
bias_regularizer: 運用到偏置向的的正則化函數
activity_regularizer: 運用到層的輸出的正則化函數 (它的 “activation”)。
kernel_constraint: 運用到 kernel 權值矩陣的約束函數
bias_constraint: 運用到偏置向量的約束函數
三、示例
例1:
from keras.layers import Dense # 作為 Sequential 模型的第一層 model = Sequential() model.add(Dense(32, input_shape=(16,))) # 現在模型就會以尺寸為 (*, 16) 的數組作為輸入, # 其輸出數組的尺寸為 (*, 32) # 在第一層之後,你就不再需要指定輸入的尺寸了: model.add(Dense(32))
注意在Sequential模型的第一層要定義Dense層的形狀,此處定義為input_shape=(16,)
例2:
from keras.layers import Dense model = Sequential() model.add(Dense(512, activation= 'sigmoid', input_dim= 2, use_bias= True))
這裡定義了一個有512個神經元節點,使用sigmoid激活函數的神經層,此時輸入形狀參數為input_dim,注意它與input_shape參數的區別。
input_shape:即張量的形狀,從前往後對應由外向內的維度
例
[[1],[2],[3]] 這個張量的shape為(3,1)
[[[1,2],[3,4]],[[5,6],[7,8]],[[9,10],[11,12]]]這個張量的shape為(3,2,2),
[1,2,3,4]這個張量的shape為(4,)
input_dim:代表張量的維度,之前3個例子的input_dim分別為2,3,1。
常見的一種用法:只提供了input_dim=32,說明輸入是一個32維的向量,相當於一個一階、擁有32個元素的張量,它的shape就是(32,)。因此,input_shape=(32, )
[techdo ] 關於Keras Dense層整理已經有208次圍觀