Keras 局部连接层

LocallyConnected1D

局部连接层适用于一维输入，其工作方式与 Conv1D 层相同，只是权重不共享，而是对不同的输入块应用一组不同的滤波器。

示例

参数

• filters: 它指的是一个整数，描述输出空间维度或卷积中存在的输出滤波器的数量。
• kernel_size: 它指的是一个整数或单个整数的元组/列表，用于指定一维卷积窗口的长度。
• strides: 它可以定义为一个整数或单个整数的元组/列表，用于指定卷积的步长长度。确定任何步长值 != 1 与指定任何 dilation_rate 值 != 1 不兼容。
• padding: 目前，它支持 "valid"（区分大小写），但将来，它也可能支持 "same"。
• data_format: 它指的是一个字符串，可以是 channels_last 或 channels_first。
• activation: 这是一个要使用的激活函数。当未指定任何内容时，默认情况下，它是一个线性激活 a(x)= x，或者我们可以说没有应用激活函数。
• use_bias: 它表示一个布尔值，显示该层是否使用偏置向量。
• kernel_initializer: 它可以定义为 kernel 权重矩阵的初始化器。
• bias_initializer: 它指的是偏置向量的初始化器。
• kernel_regularizer: 它描述了一个正则化器函数，该函数在 kernel 权重矩阵上实现。
• bias_regularizer: 它可以定义为应用于偏置向量的正则化器函数。
• activity_regularizer: 它指的是应用于激活（即层的输出）的正则化器函数。
• kernel_constraint: 它指示一个约束函数，该函数在 kernel 矩阵上实现。
• bias_constraint: 它描述一个约束函数，该函数应用于偏置向量。

输入形状

它是一个形状为 (batch, steps, input_dim) 的 3D 张量。

输出形状

输出形状是一个形状为 (batch, new_steps, filters) 的 3D 张量。由于步长和填充，值可能会有所不同。

LocallyConnected2D

它是用于 2D 输入的局部连接层，其工作方式与 Conv1D 层相同，只是权重不共享，而是对不同的输入块应用一组不同的滤波器。

示例

参数

• filter: Filter 描述一个整数，它表示输出空间维度或卷积中存在的输出滤波器的总数。
• kernel_size: 它可以是一个整数或 2 个整数的元组/列表，用于表示 2D 卷积窗口的高度和宽度。它也可以是一个单个整数，表示空间域其余部分的相同值。
• strides: 它是一个整数或 2 个整数的元组/列表，表示沿高度和宽度的卷积步幅。它可能存在为单个整数，为空间维度指定相同的值。
• padding: 目前，它支持 "valid"（区分大小写），但将来，它也可能支持 "same"。
• data_format: 它是一个字符串 "channels_last" 或 "channels_first"，表示输入维度的顺序。这里 "channels_last" 与输入形状 (batch, height, width, channels) 相关，而 "channels_first" 与输入形状 (batch, channels, height, width) 相关。它默认为在 Keras 配置中找到的 image_data_format 值，位于 ~/.keras/keras.json。 如果您无法在该文件夹中找到它，则它位于 "channels_last"。
• activation: 这是一个要使用的激活函数。当未指定任何内容时，默认情况下，它是一个线性激活 a(x)= x，或者我们可以说没有应用激活函数。
• use_bias: 它表示一个布尔值，显示该层是否使用偏置向量。
• kernel_initializer: 它可以定义为 kernel 权重矩阵的初始化器。
• bias_initializer: 它指的是偏置向量的初始化器。
• kernel_regularizer: 它描述了一个正则化器函数，该函数在 kernel 权重矩阵上实现。
• bias_regularizer: 它可以定义为应用于偏置向量的正则化器函数。
• activity_regularizer: 它指的是应用于激活（即层的输出）的正则化器函数。
• kernel_constraint: 它指示一个约束函数，该函数在 kernel 矩阵上实现。
• bias_constraint: 它描述一个约束函数，该函数应用于偏置向量。

输入形状

如果 data_format 为 "channels_first"，则 4D 张量的输入形状为 (samples, channels, rows, cols), 否则如果 data_format 为 "channels_last," 则 4D 张量的输入形状为 (samples, rows, cols, channels)。

输出形状

如果 data_format 为 "channels_first"，则 4D 张量的输出形状将为 (samples, filters, new_rows, new_cols), 否则如果 data_format 为 "channels_last"，则输出将为 (samples, new_rows, new_cols, filters)。 行和列的值可能会由于填充的影响而改变。