深度學習應用開發(fā) 課件 cha3 2-Keras體系結構（下）

目錄1Keras網(wǎng)絡層介紹01任務Keras網(wǎng)絡層類型02任務1Keras網(wǎng)絡層介紹1Keras網(wǎng)絡層介紹Keras模型中的每個層代表神經(jīng)網(wǎng)絡模型中的對應層，Keras提供了許多預構建層，如輸入層、隱藏層、輸出層、卷積層、池化層等，因此提高了構建復雜神經(jīng)網(wǎng)絡模型的效率。2Keras網(wǎng)絡層類型2Keras網(wǎng)絡層類型（1）全連接層：神經(jīng)網(wǎng)絡中最常用到的層，全連接層的每一個神經(jīng)元都與上一層的所有神經(jīng)元相連，用來把前邊提取到的特征綜合起來。實現(xiàn)對神經(jīng)網(wǎng)絡里的神經(jīng)元激活。參數(shù)說明：units:全連接層輸出的維度，即下一層神經(jīng)元的個數(shù)activation：激活函數(shù)，默認使用Reluuse_bias：是否使用bias偏置項2Keras網(wǎng)絡層類型（2）激活層：對上一層的輸出應用激活函數(shù)。參數(shù)說明：activation：激活函數(shù)的名稱，如：relu、tanh、sigmoid等2Keras網(wǎng)絡層類型（3）Dropout層：對上一層的神經(jīng)元隨機選取一定比例的失活，不更新參數(shù)，但是權重仍然保留，防止模型過擬合。參數(shù)說明：

rate：失活的比例，為0-1之間的浮點數(shù)。2Keras網(wǎng)絡層類型（4）Flatten層：將一個維度大于或等于3的高維矩陣，“壓扁”為一個二維矩陣。即保留第一個維度（如：batch的個數(shù)），然后將剩下維度的值相乘為“壓扁”矩陣的第二個維度。2Keras網(wǎng)絡層類型（5）Reshape層：該層的作用和numpy.reshape一樣，就是將輸入的維度重構成特定的shape。參數(shù)說明：

target_shape：目標矩陣的維度，不包含batch樣本數(shù)。2Keras網(wǎng)絡層類型（6）卷積層：卷積操作分為一維、二維、三維，分別為Conv1D、Conv2D、Conv3D。一維卷積主要用于處理時間序列數(shù)據(jù)或文本數(shù)據(jù)，二維卷積通常用于處理圖像數(shù)據(jù)。這三類的使用方法和參數(shù)基相同，這里我們主要介紹用于處理圖像數(shù)據(jù)的二維卷積。參數(shù)說明：filters：濾波器的個數(shù)。kernel_size：卷積核的大小。strides：卷積操作的步長，二維中默認為(1,1)，一維默認為1。Padding：補“0”策略2Keras網(wǎng)絡層類型（7）池化層：與卷積層類似，池化層分為最大池化層和平均池化層，也分為一維池化、二維池化和三維池化三種，由于使用和參數(shù)基本相同，所以主要以MaxPooling2D進行說明。參數(shù)說明：pool_size：表示池化核大小，池化核大小可以數(shù)組或元祖表示。strides：和卷積步長類似，表示池化核的移動