Keras读书笔记----网络层（Core常用层）

• output_dim：大于0的整数，代表该层的输出维度。模型中非首层的全连接层其输入维度可以自动推断，因此非首层的全连接定义时不需要指定输入维度。
• init：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Theano函数。该参数仅在不传递 weights 参数时才有意义。
• 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）
• weights：权值，为numpy array的list。该list应含有一个形如（ input_dim,output_dim）的权重矩阵和一个形如(output_dim,)的偏置向量。
• W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
• b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象
• activity_regularizer：施加在输出上的正则项，为ActivityRegularizer对象
• W_constraints：施加在权重上的约束项，为Constraints对象
• b_constraints：施加在偏置上的约束项，为Constraints对象
• bias：布尔值，是否包含偏置向量（即层对输入做线性变换还是仿射变换）
• input_dim：整数，输入数据的维度。当Dense层作为网络的第一层时，必须指定该参数或 input_shape 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。

• p： 0~1的浮点数，控制需要断开的链接的比例

• p： 0~1的浮点数，控制需要断开的链接的比例

• p： 0~1的浮点数，控制需要断开的链接的比例
• dim_ordering:'th'或'tf'，默认为 ~/.keras/keras.json 配置的 image_dim_ordering 值

2.8. Reshape层

• target_shape：目标shape，为整数的tuple，不包含样本数目的维度（ batch大小）

# 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)

2.9. Permute层

model = Sequential()
model.add(Permute((2, 1), input_shape=(10, 64)))
# now: model.output_shape == (None, 64, 10)
# note: `None` is the batch dimension

• layers：该参数为Keras张量的列表，或Keras层对象的列表。该列表的元素数目必须大于1。
• mode：合并模式，为预定义合并模式名的字符串或lambda函数或普通函数，如果为lambda函数或普通函数，则该函数必须接受一个张量的list作为输入，并返回一个张量。如果为字符串，则必须是下列值之一：“sum”， “mul”， “concat”， “ave”， “cos”， “dot”
• concat_axis：整数，当 mode=concat 时指定需要串联的轴
• dot_axes：整数或整数tuple，当 mode=dot 时，指定要消去的轴
• output_shape：整数tuple或lambda函数/普通函数（当mode为函数时）。如果output_shape是函数时，该函数的输入值应为一一对应于输入shape的list，并返回输出张量的shape。
• node_indices：可选，为整数list，如果有些层具有多个输出节点（ node）的话，该参数可以指定需要merge的那些节点的下标。如果没有提供，该参数的默认值为全0向量，即合并输入层0号节点的输出值。
• tensor_indices：可选，为整数list，如果有些层返回多个输出张量的话，该参数用以指定需要合并的那些张量。

model1 = Sequential()
model1.add(Dense(32))
model2 = Sequential()
model2.add(Dense(32))
merged_model = Sequential()
merged_model.add(Merge([model1, model2], mode='concat', concat_axis=1)

2.12. Lambda层

2.13. ActivityRegularizer层

2.14. Masking层

model = Sequential()
model.add(Masking(mask_value=0., input_shape=(timesteps, features)))
model.add(LSTM(32))

• nb_features：内部使用的全连接层的数目