對Keras提供的對各種層的抽象進行相對全面的概括
1 基礎常用層
| 名稱 | 作用 | 原型參數 |
| Dense | 實現全連接層 | Dense(units,activation,use_bias=True, kernel_initializer=’glorot_uniform’, bias_initializer=’zeros’) |
| Activation | 對上層輸出應用激活函數 | Activation(activation) |
| Dropout | 對上層輸出應用dropout以防止過擬合 | Dropout(ratio) |
| Flatten | 對上層輸出一維化 | Flatten() |
| Reshape | 對上層輸出reshape | Reshape(target_shape) |
| Permute | 對輸入的維度按照指定的順序交換並重排數據 | Permute(dims) |
| RepeatVector | 將輸入重復若干次后進行輸出 | RepeatVector(n) |
| Lambda | 對輸入施加TF/TH表達式后輸出 | Lambda(function, output_shape,arguments=None) |
| Masking | 屏蔽指定的序列值 | Masking(mask_value=0.0) |
| 名稱 | 說明 |
| units | 層中單元數，也是輸出維度 |
| activation | 激活函數 |
| use_bias | 是否使用偏置 |
| kernel_initializer | 權值初始化方法 |
| bias_initalizer | 偏置初始化方法 |
| kernel_regularizer | 權值規范化方法 |
| bias_regularizer | 偏置規范化方法 |
| activity_regularizer | |
| kernel_constraints | 權值約束 |
| bias_constraints | 偏置約束 |
| 激活函數 | 初始化器 | 正則化器 |
| softmax | Zeros 全0 | l1 |
| elu | Ones 全1 | l2 |
| softplus | Constant 常數 | l1_l2 |
| softsign | RandomNormal 正態分布 | |
| relu | RandomUniform 平均分布 | |
| tanh | TruncatedNormal 無尾正態 | |
| sigmoid | Orthogonal 正交矩陣 | |
| hard_sigmoid | Identity 單位矩陣 | |
| linear | glorot_normal |
2 卷積層
| 層名 | 作用 | 原型 |
| Conv1D | 1維卷積層 | Conv1D(filters, kernel_size, strides=1, padding=’valid’) |
| Conv2D | 2維卷積層 | Conv2D（filters, kernel_size, strides=(1, 1), padding=’valid’，dilation_rate=(1, 1)) |
| UpSampling1D | 1維上采樣，將數據重復指定的次數 | UpSampling2D(size=2) |
| UpSampling2D | 2維上采樣，將數據在2個維度上重復指定的次數 | UpSampling2D(size=(2, 2)) |
| ZeroPadding2D | 邊界填充0 | ZeroPadding2D(padding=(1, 1)) |
參數說明：
| 名稱 | 說明 |
| filters | 卷積核的數目（即輸出的維度） |
| kernel_size | 卷積核的寬度和長度。如為單個整數，表示在各個空間維度的相同長度 |
| strides | 為卷積的步長。如為單個整數，則表示在各個空間維度的相同步長 |
| padding | 補0策略，為“valid”, “same” |
| activation | |
| data_format | channels_first或channels_last之一，代表圖像的通道維的位置,默認為channels_last |
| use_bias | |
| kernel_initializer | |
| bias_initializer | |
| kernel_regularizer | |
| bias_regularizer | |
| activity_regularizer | |
| kernel_constraints | |
| bias_constraints |
3 池化層
| 層名 | 作用 | 原型 |
| MaxPooling1D | 對1維輸入進行最大值池化過濾 | MaxPooling1D(pool_size=2, strides=None, padding=’valid’) |
| AveragePooling1D | 對1維輸入進行平均池化過濾 | AveragePooling1D(pool_size=2, strides=None, padding=’valid’) |
| MaxPooling2D | 對2維輸入進行最大值池化過濾 | MaxPooling2D(pool_size=(2, 2), strides=None, padding=’valid’, data_format=None) |
| AveragePooling2D | 對3維輸入進行平均池化過濾 | AveragePooling2D(pool_size=(2, 2), strides=None, padding=’valid’, data_format=None) |
| GlobalMaxPooling1D | 對1維輸入進行全局最大值池化過濾 | GlobalMaxPooling1D() |
| GlobalAveragePooling1D | 對1維輸入進行全局平均值池化過濾 | GlobalAveragePooling1D() |
| GlobalMaxPooling2D | 對2維輸入進行全局最大值池化過濾 | GlobalMaxPooling2D() |
| GlobalAveragePooling2D | 對2維輸入進行全局平均值池化過濾 | GlobalAveragePooling2D() |
2d參數說明
| 名稱 | 說明 |
| pool_size | 過濾器的大小，通常取(2,2)或(3,3) |
| strides | 過濾器的移動步長，取2使得輸出shape縮小一半 |
| padding | valid為1填充，same為0填充 |
| data_format | 字符串，channels_first或channels_last之一 |
4 循環層
| 名稱 | 作用 | 原型參數 |
| SimpleRNN | 全連接RNN網絡 | SimpleRNN(units, activation=’tanh’, use_bias=True, kernel_initializer=’glorot_uniform’, recurrent_initializer=’orthogonal’, bias_initializer=’zeros’,dropout=0.0, recurrent_dropout=0.0)) |
| GRU | 門限循環單元層 | GRU(units, activation=’tanh’, recurrent_activation=’hard_sigmoid’, use_bias=True, kernel_initializer=’glorot_uniform’, recurrent_initializer=’orthogonal’, bias_initializer=’zeros’, dropout=0.0, recurrent_dropout=0.0) |
| LSTM | 長短期記憶模型層 | LSTM(units, activation=’tanh’, recurrent_activation=’hard_sigmoid’, use_bias=True, kernel_initializer=’glorot_uniform’, recurrent_initializer=’orthogonal’, bias_initializer=’zeros’, unit_forget_bias=True, dropout=0.0, recurrent_dropout=0.0) |
5 嵌入層
| 名稱 | 作用 | 原型參數 |
| Embedding | 嵌入層將輸入中的整數轉換為向量，導致原維度+1 | EmbeddingEmbedding(input_dim, output_dim, embeddings_initializer=’uniform’, embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None) |
參數說明：
input_dim： 字典長度，即輸入數據最大下標+1
output_dim：全連接嵌入的維度
input_length：當輸入序列的長度固定時，該值為其長度。如果要在該層后接Flatten層，然后接Dense層，則必須指定該參數，否則Dense層的輸出維度無法自動推斷。