---

前言

最近的心情就像窗外的天气一样阴沉。。。

一、基础层

1-0、Input层

Input层：用来初始化一个keras张量。

# 常用参数解析
# 
1、shape：整型元组格式，表示输入数据的维度，比如shape=(32, )表示预期输入向量集合是32维的。不清楚输入维度时可以设置为None。
2、batch_size：整型，表示batch大小,批次大小
3、name：给这层网络取名，名字要有唯一性，默认None时系统会自动取名字
4、dype：输入的数据类型，可以是float32，float64，int32

1-1、Dense层

Dense层：Dense就是常用的全连接层，所实现的运算是$$output=activation(dot(input,kernel)+bias)$$其中activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量，dot表示点积运算，只有当use_bias=True才会添加。

tensorflow.keras.layers.Dense

1、units：大于0的整数，代表该层的输出维度。
2、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）
3、use_bias: 布尔值，是否使用偏置项
4、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
5、bias_initializer：偏置向量初始化方法，为预定义初始化方法名的字符串，或用于初始化偏置向量的初始化器。参考initializers
6、kernel_regularizer：施加在权重上的正则项，为Regularizer对象
7、bias_regularizer：施加在偏置向量上的正则项，为Regularizer对象
8、activity_regularizer：施加在输出上的正则项，为Regularizer对象
9、kernel_constraints：施加在权重上的约束项，为Constraints对象
10、bias_constraints：施加在偏置上的约束项，为Constraints对象

输入
形如(batch_size, …, input_dim)的nD张量，最常见的情况为(batch_size, input_dim)的2D张量

输出
形如(batch_size, …, units)的nD张量，最常见的情况为(batch_size, units)的2D张量

实践代码：

from tensorflow.keras.layers import Input, Bidirectional, Dense, Conv1D, LSTM, Flatten, Concatenate, Attention, GlobalAveragePooling1D, Embedding
from tensorflow.keras.models import Sequential

model  = Sequential()
# 这里代表的意思是输入数组的shape为(None, 16)。 输出数组为 shape=(None, 32)，
model.add(Input(shape = (16, )))
model.add(Dense(32))
model.add(Dense(32))
model.compile(optimizer='Adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics='acc')
model.summary()

结果：

1-2、Activation层（激活层）、Dropout层

Activation层: 激活函数，激活层对一个层的输出施加激活函数
常见预定义激活函数：softmax、elu、selu、softplus、relu、tanh、sigmoid、linear。

Dropout层: 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。参数包括rate（断开神经元的比例）、seed（整数，即使用的随机种子）。

from tensorflow.keras.layers import Activation
from tensorflow.keras.layers import Input, Bidirectional, Dense, Conv1D, LSTM, Flatten, Concatenate, Attention, GlobalAveragePooling1D, Embedding
from tensorflow.keras.models import Sequential
import tensorflow as tf

model  = Sequential()
# 这里代表的意思是输入数组的shape为(None, 16)。 输出数组为 shape=(None, 32)，
model.add(Input(shape = (16, )))
model.add(Dense(64, activation='tanh'))
model.compile(optimizer='Adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics='acc')
model.summary()

1-3、Lambda层

Lambda层: 自定义层最简单的方式就是通过Lambda层，即对上一层的输出进行任何自定义的函数操作

1、function：要实现的函数，该函数仅接受一个变量，即上一层的输出
2、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
3、mask: 掩膜
4、arguments：可选，字典，用来记录向函数中传递的其他关键字参数

1-4、Flatten层

Flatten层: 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。

from tensorflow.keras.layers import Activation
from tensorflow.keras.layers import Input, Bidirectional, Flatten,Dense, Conv1D, LSTM, Flatten, Concatenate, Attention, GlobalAveragePooling1D, Embedding
from tensorflow.keras.models import Sequential
import tensorflow as tf

model  = Sequential()
# 这里代表的意思是输入数组的shape为(None, 16)。 输出数组为 shape=(None, 32)，
model.add(Input(shape = (16, )))
model.add(Dense(64, activation='tanh'))
model.add(Flatten())
model.compile(optimizer='Adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics='acc')
model.summary()

二、嵌入层

2-1、Embedding层

Embedding层：只能作为模型的第一层

参数：

1、input_dim：大或等于0的整数，字典长度，即输入数据最大下标+1
2、output_dim：大于0的整数，代表全连接嵌入的维度
3、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
4、embeddings_regularizer: 嵌入矩阵的正则项，为Regularizer对象
5、embeddings_constraint: 嵌入矩阵的约束项，为Constraints对象
6、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| + 1。
7、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。

输入：
形如（samples，sequence_length）的2D张量

输出：
形如(samples, sequence_length, output_dim)的3D张量。（即将内部的每个变量扩展延升了）

实践代码：

from tensorflow.keras.layers import Activation
from tensorflow.keras.layers import Input, Bidirectional, Flatten,Dense, Conv1D, LSTM, Flatten, Concatenate, Attention, GlobalAveragePooling1D, Embedding
from tensorflow.keras.models import Sequential
import tensorflow as tf

model = Sequential()
# 
model.add(Embedding(1000, 64, input_length=10))
# the model will take as input an integer matrix of size (batch, input_length).
# the largest integer (i.e. word index) in the input should be no larger than 999 (vocabulary size).
# now model.output_shape == (None, 10, 64), where None is the batch dimension.

input_array = np.random.randint(1000, size=(32, 10))

model.compile('rmsprop', 'mse')
model.summary()

结果：

三、池化层

3-1、MaxPooling1D层

参数

1、pool_size：整数，池化窗口大小
2、strides：整数或None，下采样因子，例如设2将会使得输出shape为输入的一半，若为None则默认值为pool_size。
3、padding：‘valid’或者‘same’

输入shape
形如（samples，steps，features）的3D张量

输出shape
形如（samples，downsampled_steps，features）的3D张量

实践代码：

from tensorflow.keras.layers import Input, Bidirectional, Dense, Conv1D, LSTM, Flatten, Concatenate, Attention, GlobalAveragePooling1D, Embedding,MaxPool1D,MaxPool2D,AveragePooling1D, AveragePooling2D,MaxPooling1D
from tensorflow.keras.models import Sequential

import tensorflow as tf

# demo1
x = tf.constant([1., 2., 3., 4., 5.])
x = tf.reshape(x, [1, 5, 1])

# 简单理解：最大池化是，滑动窗口大小为2，步长为1，没有填充。
max_pool_1d = MaxPooling1D(pool_size=2, strides=1, padding='valid')
print(max_pool_1d(x))  # shape = (1,4,1)  array=[[[2],[3],[4],[5]]]

# demo2
x = tf.constant([1., 2., 3., 4., 5.])
x = tf.reshape(x, [1, 5, 1])
max_pool_1d = MaxPooling1D(pool_size=2, strides=1, padding='same')
print(max_pool_1d(x))  # shape = (1,5,1)  array=[[[2],[3],[4],[5],[5]]]

输出：

3-2、MaxPooling2D层

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。
border_mode：‘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”。

输入shape
‘channels_first’模式下，为形如（samples，channels, rows，cols）的4D张量
‘channels_last’模式下，为形如（samples，rows, cols，channels）的4D张量

输出shape
‘channels_first’模式下，为形如（samples，channels, pooled_rows, pooled_cols）的4D张量
‘channels_last’模式下，为形如（samples，pooled_rows, pooled_cols，channels）的4D张量

3-3、AveragePooling1D层

keras.layers.pooling.AveragePooling1D(pool_size=2, strides=None, padding=‘valid’)
对时域1D信号进行平均值池化

参数
pool_size：整数，池化窗口大小

strides：整数或None，下采样因子，例如设2将会使得输出shape为输入的一半，若为None则默认值为pool_size。

padding：‘valid’或者‘same’

输入shape
形如（samples，steps，features）的3D张量
输出shape
形如（samples，downsampled_steps，features）的3D张量

3-4、AveragePooling2D层

keras.layers.pooling.AveragePooling2D(pool_size=(2, 2), strides=None, padding=‘valid’, data_format=None)
为空域信号施加平均值池化

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。

border_mode：‘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”。

输入shape
‘channels_first’模式下，为形如（samples，channels, rows，cols）的4D张量

‘channels_last’模式下，为形如（samples，rows, cols，channels）的4D张量

输出shape
‘channels_first’模式下，为形如（samples，channels, pooled_rows, pooled_cols）的4D张量

‘channels_last’模式下，为形如（samples，pooled_rows, pooled_cols，channels）的4D张量

3-5、GlobalMaxPooling1D层

keras.layers.pooling.GlobalMaxPooling1D()
对于时间信号的全局最大池化

输入shape
形如（samples，steps，features）的3D张量
输出shape
形如(samples, features)的2D张量

3-6、GlobalAveragePooling1D层

keras.layers.pooling.GlobalAveragePooling1D()
为时域信号施加全局平均值池化

输入shape
形如（samples，steps，features）的3D张量
输出shape
形如(samples, features)的2D张量

参考文章：
keras.Layers官网.
tensorflow.keras.layer介绍.

---

总结

滴滴，您的被爱体验卡已到期，请问需要付费嘛？