keras 图层教程和示例

Question

我正在尝试编写和学习不同的神经网络模型。我对输入维度有很多复杂性。我正在寻找一些教程，显示层的差异以及如何为每个层设置输入和输出。

Answer 1

Keras documentation 向您显示每一层所期望的所有input_shapes。

在 Keras 中，您会看到以下形式的输入形状：

• input_shape 由用户分层定义
• 摘要和其他中显示的形状
• 阵列形状
• 张量形状

用户定义的输入形状和传递给Reshape层的形状：

定义的输入形状将忽略批量大小，它只需要单个数据样本的大小。

例如，当您定义Dense 层时，您将其input_shape 声明为(10,)，这意味着它需要十个数值作为输入。

keras 显示的一般形状：

这些将有一个None 作为第一个维度。这表示您用于训练的批次的大小。批处理是具有许多数据样本的数组。由于批大小是免费的，并且仅在您实际通过批进行训练时才定义，因此 Keras 将其显示为 None。

在那个 Dense 层中，Keras 会将(None, 10) 显示为输入形状。

阵列形状：

在训练、预测等过程中，当您实际上有一个批次及其大小时，keras 将在错误消息中显示批次的实际形状，这将是（BatchSize，...其他维度...）。

对于我们的Dense(10)，假设您传递了一个包含 300 个样本的批次进行训练，那么 keras 会显示包含形状 (300,10) 的错误消息

张量形状：

当您创建Lambda 层或自定义层以及创建自定义损失函数时，张量形状将出现在更高级的用法中。

张量形状将遵循将批量大小作为第一维度的想法。因此，请记住，无论何时您直接使用张量，它们的形状都是 (BatchSize, ...other dimensions...)。

一些最常见的图层及其输入形状：

现在您知道这些区别了，我将继续使用下面带有None 的表单。定义input_shape时记得忽略None部分。

密集

密集层通常采用单个值，而不是数组作为输入，因此，其输入形状为：(None, AnyNumberOfInputValues)

输出将类似：(None, NumberOfNeuronsInThisLayer)

Conv1D

只有一维的卷积层。使用卷积时，想法是要有通道。

想象一个声音文件，它包含两个声道，左声道和右声道。每个通道都是一个与波形对应的值数组。

Keras 为您提供channels_first 或channels_last 选项，这会改变层的输入和输出：

• 频道优先：(None, channels, length)
• 频道最后：(None, length, channels)

输出也遵循“channels_first/channels_last”设置，如下所示：(None, NumberOfFilters, ResultingLength) - 通道优先

默认设置为“channels_last”，可以在每一层或者keras.json文件中定义

Conv2D：

与 Conv1D 相同的想法，使用通道，先使用通道或最后使用通道。但是现在，它有两个维度，比如图像，每个通道都与红色、绿色、蓝色相比。

• 频道优先：(None, channels, pixelsX, pixelsY)
• 频道最后：(None, pixelsX, pixelsY, channels)

输出遵循“channels_firts/channels_last”设置，类似于(None, NumberOfFilters, resultPixelsX, resultPixelsY) for channels_first。

循环层：

Lstm 层很难理解。他们有一些使用不同输入形状的选项，还有一些有趣的教程，例如this one 和this too。

通常，输入形状为(None, TimeSteps, InputDimension)

由于 LSTM 用于序列，您可以按时间步长分离序列。输入维度只是具有多维值的可能性。

输出也因所选选项而异。它可能是 (None, Timesteps, NumberOfCellsInTheLeyr) 或只是 (None, NumberOfCells)，这取决于您是否选择返回序列。