如前所述，Keras 層是 Keras 模型的主要構建塊。每一層接收輸入信息，做一些計算，最后輸出轉換后的信息。一層的輸出將作為輸入流入下一層。我們將在本章中了解有關圖層的完整詳細信息。

介紹

Keras 層需要輸入的形狀 (input_shape)來理解輸入數據的結構，初始化器為每個輸入設置權重，最后激活器來轉換輸出以使其非線性。在這兩者之間，約束限制并指定要生成的輸入數據的權重范圍，正則化器將通過在優(yōu)化過程中動態(tài)應用權重的懲罰來嘗試優(yōu)化層（和模型）。

總而言之，Keras 層需要低于最低限度的細節(jié)來創(chuàng)建一個完整的層。

• 輸入數據的形狀
• 層中神經元/單元的數量
• 初始化程序
• 正則化器
• 約束
• 激活

讓我們在下一章中了解基本概念。在了解基本概念之前，讓我們使用 Sequential 模型 API 創(chuàng)建一個簡單的 Keras 層，以了解 Keras 模型和層的工作原理。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 
from keras import regularizers 
from keras import constraints 


model = Sequential() 


model.add(Dense(32, input_shape=(16,), kernel_initializer = 'he_uniform', 
   kernel_regularizer = None, kernel_constraint = 'MaxNorm', activation = 'relu')) 
model.add(Dense(16, activation = 'relu')) 
model.add(Dense(8))

代碼詳解：

• 第 1-5 行 導入必要的模塊。
• 第 7 行 使用 Sequential API 創(chuàng)建一個新模型。
• 第 9 行 創(chuàng)建一個新的 Dense 層并將其添加到模型中。Dense 是 Keras 提供的入門級層，它接受神經元或單元（32）的數量作為其所需參數。如果圖層是第一層，那么我們還需要提供Input Shape, (16,)。否則，上一層的輸出將用作下一層的輸入。所有其他參數都是可選的。
  • 第一個參數表示單元（神經元）的數量。
  • input_shape表示輸入數據的形狀。
  • kernel_initializer表示要使用的初始化程序。he_uniform函數被設置為值。
  • kernel_regularizer表示要使用的正則化器。無設置為值。
  • kernel_constraint表示要使用的約束。MaxNorm函數被設置為值。
  • activation表示要使用的激活。relu 函數被設置為值。
• 第 10 行創(chuàng)建了具有 16 個單元的第二個 Dense 層，并將relu設置為激活函數。
• 第 11 行創(chuàng)建了具有 8 個單元的最終 Dense 層。

層的基本概念

讓我們了解層的基本概念以及 Keras 如何支持每個概念。

輸入形狀

在機器學習中，所有類型的輸入數據，如文本、圖像或視頻，都將首先轉換為數字數組，然后輸入算法。輸入的數字可以是一維數組、二維數組（矩陣）或多維數組。我們可以使用shape指定維度信息，這是一個整數元組。例如，(4,2)表示四行兩列的矩陣。

>>> import numpy as np 
>>> shape = (4, 2) 
>>> input = np.zeros(shape) 
>>> print(input) 
[
   [0. 0.] 
   [0. 0.] 
   [0. 0.] 
   [0. 0.]
] 
>>>

類似地，(3,4,2)三維矩陣具有三個 4x2 矩陣的集合（兩行四列）

>>> import numpy as np 
>>> shape = (3, 4, 2) 
>>> input = np.zeros(shape) 
>>> print(input)
[
   [[0. 0.] [0. 0.] [0. 0.] [0. 0.]] 
   [[0. 0.] [0. 0.] [0. 0.] [0. 0.]] 
   [[0. 0.] [0. 0.] [0. 0.] [0. 0.]]
]
>>>

要創(chuàng)建模型的第一層（或模型的輸入層），應指定輸入數據的形狀。

初始化

在機器學習中，權重將分配給所有輸入數據。Initializers 模塊提供了不同的函數來設置這些初始權重。一些 Keras Initializer 函數如下:

Zeros()

所有輸入數據生成0。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.Zeros() 
model = Sequential() 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

其中，kernel_initializer表示模型內核的初始化程序。

Ones()

所有輸入數據生成1。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.Ones() 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

Constant

所有輸入數據生成用戶指定的常量值（例如5）。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.Constant(value = 0) model.add(
   Dense(512, activation = 'relu', input_shape = (784,), kernel_initializer = my_init)
)

其中，value表示常數值

RandomNormal

使用輸入數據的正態(tài)分布生成值。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.RandomNormal(mean=0.0, 
stddev = 0.05, seed = None) 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

• mean 表示要生成的隨機值的平均值
• stddev 表示要生成的隨機值的標準偏差
• seed代表生成隨機數的值

RandomUniform

使用輸入數據的均勻分布生成值。

from keras import initializers 


my_init = initializers.RandomUniform(minval = -0.05, maxval = 0.05, seed = None) 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

• minval表示要生成的隨機值的下限
• maxval表示要生成的隨機值的上限

TruncatedNormal

使用輸入數據的截斷正態(tài)分布生成值。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.TruncatedNormal(mean = 0.0, stddev = 0.05, seed = None
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

VarianceScaling

根據圖層的輸入形狀和輸出形狀以及指定的比例生成值。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.VarianceScaling(
   scale = 1.0, mode = 'fan_in', distribution = 'normal', seed = None) 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   skernel_initializer = my_init))

• scale 表示縮放因子
• mode 表示fan_in、fan_out和fan_avg值中的任何一個
• distribution 代表正態(tài)或均勻

它使用以下公式找到正態(tài)分布的stddev值，然后使用正態(tài)分布找到權重，

stddev = sqrt(scale / n)

其中n代表，

• mode = fan_in 的輸入單元數
• mode = fan_out 的輸出單元數
• mode = fan_avg 的平均輸入和輸出單元數

類似地，它使用以下公式找到均勻分布的極限，然后使用均勻分布找到權重，

limit = sqrt(3 * scale / n)

lecun_normal

使用輸入數據的 lecun 正態(tài)分布生成值。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.RandomUniform(minval = -0.05, maxval = 0.05, seed = None)
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

它使用以下公式找到stddev，然后應用正態(tài)分布

stddev = sqrt(1 / fan_in)

其中，fan_in表示輸入單元的數量。

lecun_uniform

使用輸入數據的 lecun 均勻分布生成值。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.lecun_uniform(seed = None) 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

它使用以下公式找到極限，然后應用均勻分布

limit = sqrt(3 / fan_in)

• fan_in表示輸入單元的數量
• fan_out表示輸出單元的數量

Glorot_normal

使用輸入數據的 glorot 正態(tài)分布生成值。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.glorot_normal(seed=None) model.add(
   Dense(512, activation = 'relu', input_shape = (784,), kernel_initializer = my_init)
)

它使用以下公式找到 stddev，然后應用正態(tài)分布

stddev = sqrt(2 / (fan_in + fan_out))

• fan_in表示輸入單元的數量
• fan_out表示輸出單元的數量

Glorot_uniform

使用輸入數據的 glorot 均勻分布生成值。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.glorot_uniform(seed = None) 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

它使用以下公式找到極限，然后應用均勻分布

limit = sqrt(6 / (fan_in + fan_out))

• fan_in表示輸入單元的數量。
• fan_out表示輸出單元的數量

he_normal

使用輸入數據的正態(tài)分布生成值。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.RandomUniform(minval = -0.05, maxval = 0.05, seed = None) 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

它使用以下公式找到stddev，然后應用正態(tài)分布。

stddev = sqrt(2 / fan_in)

其中，fan_in表示輸入單元的數量。

he_uniform

使用輸入數據的均勻分布生成值。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.he_normal(seed = None) 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

它使用以下公式找到limit，然后應用均勻分布。

limit = sqrt(6 / fan_in)

其中，fan_in表示輸入單元的數量。

Orthogonal

生成隨機正交矩陣。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.Orthogonal(gain = 1.0, seed = None) 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_initializer = my_init))

其中，gain表示矩陣的乘法因子。

Identity

生成單位矩陣。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import initializers 


my_init = initializers.Identity(gain = 1.0) model.add(
   Dense(512, activation = 'relu', input_shape = (784,), kernel_initializer = my_init)
)

約束

在機器學習中，將在優(yōu)化階段對參數（權重）設置約束。<>Constraints 模塊提供了不同的功能來設置層上的約束。一些約束函數如下。

non_neg

將權重限制為非負。

from keras.constraints import non_neg

其中，kernel_constraint表示要在層中使用的約束。

UnitNorm

將權重約束為單位范數。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import constraints 


my_constrain = constraints.UnitNorm(axis = 0) 
model = Sequential() 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_constraint = my_constrain))

MaxNorm

將權重限制為小于或等于給定值的范數。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import constraints 


my_constrain = constraints.MaxNorm(max_value = 2, axis = 0) 
model = Sequential() 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_constraint = my_constrain))

• max_value表示上限
• 軸表示要應用約束的維度。例如，在 Shape (2,3,4) 軸中，0 表示第一維，1 表示第二維，2 表示第三維

MinMaxNorm

將權重約束為指定的最小值和最大值之間的范數。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import constraints 


my_constrain = constraints.MinMaxNorm(min_value = 0.0, max_value = 1.0, rate = 1.0, axis = 0) 
model = Sequential() 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_constraint = my_constrain))

其中，rate表示應用權重約束的速率。

正則化器

在機器學習中，正則化器用于優(yōu)化階段。它在優(yōu)化過程中對層參數應用一些懲罰。Keras 正則化模塊提供以下函數來設置層的懲罰。正則化僅適用于每層基礎。

L1 正則化器

它提供基于 L1 的正則化

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import regularizers 


my_regularizer = regularizers.l1(0.) 
model = Sequential() 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_regularizer = my_regularizer))

其中，kernel_regularizer表示應用權重約束的速率。

L2 正則化器

它提供基于 L2 的正則化

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import regularizers 


my_regularizer = regularizers.l2(0.) 
model = Sequential() 
model.add(Dense(512, activation = 'relu', input_shape = (784,), 
   kernel_regularizer = my_regularizer))

L1 和 L2 正則化器

它提供基于 L1 和 L2 的正則化。

from keras.models import Sequential 
from keras.layers import Activation, Dense 
from keras import regularizers 


my_regularizer = regularizers.l2(0.) 
model = Sequential() 
model.add(Dense(512, activation = 'relu', input_shape = (784,),
   kernel_regularizer = my_regularizer))

激活

在機器學習中，激活函數是一種特殊的函數，用于發(fā)現特定神經元是否被激活?；旧希せ詈瘮祵斎霐祿M行非線性變換，從而使神經元能夠更好地學習。神經元的輸出取決于激活函數。

當您回憶起單一感知的概念時，感知器（神經元）的輸出只是激活函數的結果，它接受所有輸入乘以其相應的權重加上總體偏差（如果有的話）的總和。

result = Activation(SUMOF(input * weight) + bias)

因此，激活函數在模型的成功學習中起著重要作用。Keras 在 activations 模塊中提供了很多激活函數。讓我們學習模塊中可用的所有激活。

線性

應用線性函數。什么也沒做。

from keras.models import Sequential 
from keras.layers import Activation, Dense 


model = Sequential() 
model.add(Dense(512, activation = 'linear', input_shape = (784,)))

其中，激活是指層的激活函數?？梢院唵蔚赝ㄟ^函數名稱指定，層將使用相應的激活器。

elu

應用指數線性單位

from keras.models import Sequential 
from keras.layers import Activation, Dense 


model = Sequential() 
model.add(Dense(512, activation = 'elu', input_shape = (784,)))

selu

應用縮放指數線性單位。

from keras.models import Sequential 
from keras.layers import Activation, Dense 


model = Sequential() 
model.add(Dense(512, activation = 'selu', input_shape = (784,)))

relu

應用整流線性單元。

from keras.models import Sequential 
from keras.layers import Activation, Dense 


model = Sequential() 
model.add(Dense(512, activation = 'relu', input_shape = (784,)))

softmax

應用 Softmax 函數。

from keras.models import Sequential 
from keras.layers import Activation, Dense 


model = Sequential() 
model.add(Dense(512, activation = 'softmax', input_shape = (784,)))

softplus

應用Softplus功能。

from keras.models import Sequential 
from keras.layers import Activation, Dense 


model = Sequential() 
model.add(Dense(512, activation = 'softplus', input_shape = (784,)))

softsign

應用softsign功能。

from keras.models import Sequential 
from keras.layers import Activation, Dense 


model = Sequential() 
model.add(Dense(512, activation = 'softsign', input_shape = (784,)))

sigmoid

應用 Sigmoid 函數。

from keras.models import Sequential 
from keras.layers import Activation, Dense 


model = Sequential() 
model.add(Dense(512, activation = 'sigmoid', input_shape = (784,)))

hard_sigmoid

應用 hard_sigmoid 函數。

from keras.models import Sequential 
from keras.layers import Activation, Dense 


model = Sequential() 
model.add(Dense(512, activation = 'hard_sigmoid', input_shape = (784,)))

exponential

應用指數函數。

from keras.models import Sequential 
from keras.layers import Activation, Dense 


model = Sequential() 
model.add(Dense(512, activation = 'exponential', input_shape = (784,)))