Keras 层

Keras 包含各种预定义的层，也允许您创建自己的层。在构建 Keras 模型时，它充当主要构建块。 在 Keras 中，每当每一层接收一个输入时，它都会执行一些计算，从而产生转换后的信息。 一层的输出被馈送到另一层的输入。

Keras 核心层包含一个 dense 层，它是一个点积加偏置，一个 activation 层，它转换一个函数或神经元形状，一个 dropout 层，它在每次训练更新时随机将一部分输入单元设置为零，以避免过度拟合的问题，一个 lambda 层，它包装一个任意表达式，就像 Layer 的一个对象，等等。

Keras 卷积层利用滤波器来创建特征图，从 1D 到 3D 运行。它包括大多数常见的不变量，例如，每个维度的 裁剪 和 转置卷积 层。 2D 卷积 用于图像识别，因为它受到视觉皮层的启发。

下采样层，主要称为池化，从 1D 到 3D 运行。它还包括最常见的变体，例如最大池化和平均池化。 局部连接的层充当卷积层，只是权重保持未共享。 噪声层消除了过度拟合的问题。 循环层（包括简单、门控、LSTM 等）在语言处理等应用中实现。

以下是每个 Keras 层的常见方法数量

• get_weights()：它将层的权重作为 numpy 数组列表生成。
• set_weights(weights)：它使用与从 numpy 数组列表中的 get_weights() 的输出相同的形状设置层的权重。
• get_config()：它返回一个包含层的配置的字典，以便通过以下方式从其配置实例化；

或者，

如果层不是共享层，或者我们可以说层包含单独的节点，那么我们可以通过以下方法获取其输入张量、输出张量、输入形状和输出形状；

• 输入
• 输出
• input_shape
• output_shape

否则，如果层包含多个节点，那么在这种情况下，您可以使用下面给出的以下方法；

• get_input_at(node_index)
• get_output_at(node_index)
• get_input_shape_at(node_index)
• get_output_shape_at(node_index)

核心层

卷积层

池化层

局部连接层

RNN 层

噪声层

层包装器

归一化层

嵌入层

高级激活层