Keras 主要的层函数
Posted 陈沧夜
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Keras 主要的层函数相关的知识，希望对你有一定的参考价值。
文章目录
卷积层
Conv1D layer：一维卷积层（例如时间卷积），该层创建一个卷积内核，该卷积内核图层输入在单个空间（或时间）维度上，以产生输出张量。
Conv2D layer：2D 卷积层（例如图像上的空间卷积）。该层创建一个卷积内核，该卷积内核使用层输入产生张量输出。
Conv3D layer：3D 卷积层（例如体积上的空间卷积）。该层创建一个卷积内核，该卷积内核使用层输入产生张量输出。
SeparableConv1D layer：深度可分离的一维卷积。该层执行深度卷积，该卷积单独作用于通道，然后是混合通道的逐点卷积。
SeparableConv2D layer：深度可分离的 2D 卷积。可分离卷积由首次执行深度空间卷积 （分别作用于每个输入通道） 然后是逐点卷积，将结果混合输出通道。
DepthwiseConv2D layer：深度 2D 卷积。深度卷积是一种卷积，其中每个输入通道 与不同的内核（称为深度内核）卷积。
Conv1DTranspose layer：转置卷积层（有时称为反卷积）。
Conv3DTranspose layer：二维转置卷积层（有时称为反卷积）。
Conv3DTranspose layer：三维转置卷积层（有时称为反卷积）。
池化层 Pooling layers
MaxPooling1D layer：一维时态数据的最大池化操作。通过取最大值对输入表示进行下采样大小的空间窗口。
MaxPooling2D layer：2D 空间数据的最大池化操作。沿输入的空间维度（高度和宽度）对输入进行下采样。
MaxPooling3D layer：3D 数据的最大池化操作（空间或时空）。
AveragePooling1D layer：时态数据的平均池化。
AveragePooling2D layer：空间数据的平均池化操作。
AveragePooling3D layer：3D 数据的平均池化操作（空间或时空）。
GlobalMaxPooling1D layer：一维时态数据的全局最大池化操作。
GlobalMaxPooling2D layer：空间数据的全局最大池化操作。
全GlobalMaxPooling3D layer：3D 数据的全局最大池化操作。
GlobalAveragePooling1D layer：时态数据的全局平均池化操作。
GlobalAveragePooling2D layer：空间数据的全局平均池化操作。
GlobalAveragePooling3D layer：3D 数据的全局平均池化操作。
循环层
LSTM layer：长短期记忆层
GRU layer：门控循环单元
SimpleRNN layer：全连接 RNN
TimeDistributed layer：此包装器允许将图层应用于输入的每个时态切片。
Bidirectional layer：RNN 的双向包装器。
ConvLSTM1D layer：一维卷积 LSTM。
ConvLSTM2D layer：二维卷积 LSTM。
ConvLSTM3D layer：三维卷积 LSTM。
Base RNN layer：循环层的基类。
预处理层 Preprocessing layers
Text preprocessing：将文本特征映射到整数序列的预处理层。
Numerical features preprocessing layers：包括规范化层和离散化层
Numerical features preprocessing layers：包括类别编码层、哈希层、字符串查找层、整数查找层
Numerical features preprocessing layers：包括调整图像大小层、重新缩放层、中心裁剪层
Numerical features preprocessing layers：包括随机裁剪图层、随机翻转图层、随机平移层、随机旋转图层、随机缩放图层、随机高度图层、随机宽度图层、随机对比度图层、随机亮度图层
归一化层
BatchNormalization layer：规范化输入的层。批量归一化应用保持平均输出的变换接近 0，输出标准差接近 1。
LayerNormalization layer：层的归一化层（Ba等人，2016）。规范化每个给定示例中前一层的激活，独立于批处理，而不是像批处理规范化那样跨批处理。 即应用一个变换，以保持每个内的平均激活接近 0，激活标准差接近 1。
UnitNormalization layer：单元归一化层。规范化一批输入，以便该批中的每个输入都具有 L2 范数等于 1。
GroupNormalization layer：组规范化层。组规范化将通道划分为组并计算 在每个组中，归一化的均值和方差。
正则化层 Regularization layers
Dropout layer：Dropout 层在训练时以每一步的频率随机将输入单位设置为 0，这有助于防止过度拟合。
SpatialDropout1D layer：Dropout 的空间一维版本。
SpatialDropout2D layer：Dropout 的空间二维版本。
SpatialDropout3D layer：Dropout 的空间三维版本。
GaussianDropout layer：应用乘法 1 中心高斯噪声。由于它是一个正则化层，因此它仅在训练时处于活动状态。
GaussianNoise layer：应用加法 0 中心高斯噪声。这对于缓解过度拟合很有用 （您可以将其视为随机数据增强的一种形式）。
ActivityRegularization layer：对基于成本函数的输入活动应用更新的图层
AlphaDropout layer：对基于成本函数的输入活动应用更新的图层
注意力层 Attention layers
MultiHeadAttention layer：多头注意层。这是多头注意力的实现。
Attention layer：点积注意力层。输入是形状的张量，张量 形状和形状的张量。
AdditiveAttention layer：加性注意力层。输入是形状的张量，张量 形状和形状的张量。
Reshaping layers
Reshape layer：将输入调整为给定形状的图层。
Flatten layer：平展输入。不影响批大小。
RepeatVector layer：重复输入 n 次。
Permute layer：根据给定模式排列输入的维度。
Cropping1D layer：用于一维输入的裁剪图层（例如时间序列）。
Cropping2D layer：用于 2D 输入（例如图片）的裁剪图层。
Cropping3D layer：3D 数据的裁剪图层（例如空间或时空）。
UpSampling1D layer：一维输入的上采样层。沿时间轴重复每个时态步长时间。
UpSampling2D layer：用于 2D 输入的上采样层。重复数据的行和列。
UpSampling3D layer：3D 输入的上采样图层。
ZeroPadding1D layer：用于一维输入的零填充层（例如时间序列）。
ZeroPadding2D layer：用于 2D 输入（例如图片）的零填充层。
ZeroPadding3D layer：3D 数据（空间或时空）的零填充图层。
合并图层 Merging layers
Concatenate layer：连接输入列表的层。
Average layer：连接输入列表的层。
Maximum layer：计算输入列表最大值（按元素）的层。
Minimum layer：计算输入列表最小值（按元素）的层。
Add layer：添加输入列表的图层。
Subtract layer：减去两个输入的图层。
Multiply layer：将输入列表相乘（按元素）的层。
Dot layer：计算两个张量中样本之间的点积的层。
本地连接层 Locally-connected layers
LocallyConnected1D layer：用于 1D 输入的本地连接层。
LocallyConnected2D layer：用于 2D 输入的本地连接层。
激活层 Activation layers
ReLU layer：整流线性单元激活功能。
Softmax layer：Softmax 激活函数层
LeakyReLU layer：LeakyReLU激活函数层
PReLU layer：PReLU激活函数层
ELU layer：ELU激活函数层
ThresholdedReLU layer：ThresholdedReLU激活函数层
以上是关于Keras 主要的层函数的主要内容，如果未能解决你的问题，请参考以下文章
[Python人工智能] 三十六.基于Transformer的商品评论情感分析 keras构建多头自注意力（Transformer）模型
[Python人工智能] 三十六.基于Transformer的商品评论情感分析 keras构建多头自注意力（Transformer）模型