常用层
常用层对应于core模块，core内部定义了一系列常用的网络层，包括全连接、激活层等
Dense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)
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，只有当use_bias=True才会添加。
如果本层的输入数据的维度大于2，则会先被压为与kernel相匹配的大小。
#as first Layer in a sequential model: #as first Layer in a sequential model: model = Sequential() model.add(Dense(32, input_shape=(16,))) #now the model will take as input arrays of shape(* , 16) #and output arrays of shape (* , 32) #after the first layer , you don‘t need to specify #the size of the input anymore: model.add(Dense(32))
- 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，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。
- 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。
- 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
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
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。
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，使用随机数种子
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度。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。重排模式的下标从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
RepeatVecor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，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,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计算输出的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))
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），如果输入张量在该时间步上都等于mask_value，则该时间步在模型接下来的所有层（只需要支持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，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
model = Sequential() model.add(Masking(mask_value=0,input_shape=(timesteps,features))) model.add(LSTM(32))