【Keras】神经网络的搭建
Dense层的使用方法
参考:https://blog.csdn.net/qq_34840129/article/details/86319446
keras.layers.core.Dense(
units, #代表该层的输出维度
activation=None, #激活函数.但是默认 liner
use_bias=True, #是否使用b
kernel_initializer='glorot_uniform', #初始化w权重,keras/initializers.py
bias_initializer='zeros', #初始化b权重
kernel_regularizer=None, #施加在权重w上的正则项,keras/regularizer.py
bias_regularizer=None, #施加在偏置向量b上的正则项
activity_regularizer=None, #施加在输出上的正则项
kernel_constraint=None, #施加在权重w上的约束项
bias_constraint=None #施加在偏置b上的约束项
)
# 所实现的运算是output = activation(dot(input, kernel)+bias)
# model.add(Dense(units=64, activation='relu', input_dim=784))
# keras初始化所有激活函数,activation:
# keras\activations.py
# keras\backend\cntk_backend.py
# import cntk as C
# 1.softmax:
# 对输入数据的最后一维进行softmax,一般用在输出层;
# ndim == 2,K.softmax(x),其实调用的是cntk,是一个模块;
# ndim >= 2,e = K.exp(x - K.max(x)),s = K.sum(e),return e / s
# 2.elu
# K.elu(x)
# 3.selu: 可伸缩的指数线性单元
# alpha = 1.6732632423543772848170429916717
# scale = 1.0507009873554804934193349852946
# return scale * K.elu(x, alpha)
# 4.softplus
# C.softplus(x)
# 5.softsign
# return x / (1 + C.abs(x))
# 6.relu
# def relu(x, alpha=0., max_value=None):
# if alpha != 0.:
# negative_part = C.relu(-x)
# x = C.relu(x)
# if max_value is not None:
# x = C.clip(x, 0.0, max_value)
# if alpha != 0.:
# x -= alpha * negative_part
# return x
# 7.tanh
# return C.tanh(x)
# 8.sigmoid
# return C.sigmoid(x)
# 9.hard_sigmoid
# x = (0.2 * x) + 0.5
# x = C.clip(x, 0.0, 1.0)
# return x
# 10.linear
# return x
# keras初始化所有方法,initializer:
# Zeros
# Ones
# Constant(固定一个值)
# RandomNormal(正态分布)
# RandomUniform(均匀分布)
# TruncatedNormal(截尾高斯分布,神经网络权重和滤波器的推荐初始化方法)
# VarianceScaling(该初始化方法能够自适应目标张量的shape)
# Orthogonal(随机正交矩阵初始化)
# Identiy(单位矩阵初始化,仅适用于2D方阵)
# lecun_uniform(LeCun均匀分布初始化)
# lecun_normal(LeCun正态分布初始化)
# glorot_normal(Glorot正态分布初始化)
# glorot_uniform(Glorot均匀分布初始化)
# he_normal(He正态分布初始化)
# he_uniform(He均匀分布初始化,Keras中文文档写错了)
# keras正则化,regularizer:
# import backend as K
# L1: regularization += K.sum(self.l1 * K.abs(x))
# L2: regularization += K.sum(self.l2 * K.square(x))