Keras層需要輸入的數據執行一些計算和提供輸出的結果。有一些需求創建一個完整的層如下:

• 輸入形狀:輸入形狀指的是我們提供的數據類型作為輸入機器學習。這些數據可以是任何類型,如圖片,文本,或視頻。這個輸入數據轉換成一個數組作為輸入的數字工作的學習算法。的尺寸可以指定輸入數據的幫助下一個元組。下麵的例子將會給你一個清晰的理解如何讓輸入數組的形狀在二維數字:

> > >進口numpy np > > > inp_data =(22日9)> > > = np.zeros形狀(inp_data) > > >打印(形狀)

[[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。)
[0。0。0。0。0。0。0。0。0。]

初始化器輸入數據:初始化器是用於分配重量。有一些函數分配這些輸入數據的權重。這些功能包括:

• RandomNormal:它是用於生成值使用我們提供的數據的正態分布作為輸入的學習模式。
• RandomUniform:這個函數是用來生成值的幫助下均勻分布的輸入數據。
• 0:顧名思義,它為所有輸入數據生成0。
• 的:它生成的所有輸入數據。
• 常量:在這裏,由用戶指定的函數生成常量值。

1。Regularizers:Regularizers是用來懲罰適用於層的優化,因此,這些都是用於優化階段。
2。激活:激活是一個函數,允許您找到一個特定的神經元的狀態,是否被激活。激活函數是用來使非線性轉換的輸入數據然後允許學習的神經元模型更好。一些激活函數也下麵描述:

• 線性:這適用於一個線性函數如下:

從keras。模型導入順序
從keras。層進口激活,密集

模型=順序()模型。添加(密度(512,激活=“線性”,input_shape =(22日9)))

• elu:它是用來申請標準指數線性單元如下所示:

從keras。模型導入順序
從keras。層進口激活,密集

模型=順序()模型。添加(密度(512,激活= elu, input_shape =(22日9)))

• relu:這個函數適用於糾正線性單元。參考下麵的代碼:

從keras。模型導入順序
從keras。層進口激活,密集

模型=順序()模型。添加(密度(512,激活= relu, input_shape =(22日9)))

• selu:它是用來應用比例指數線性單元的學習模式。

從keras。模型導入順序
從keras。層進口激活,密集

模型=順序()模型。添加(密度(512,激活= selu, input_shape =(22日9)))

• softsign:它應用softdesign函數如下:

從keras。模型導入順序
從keras。層進口激活,密集

模型。添加(密度(512,激活= softsign, input_shape =(22日9)))

• softmax:這將softmax適用於函數如下所示:

從keras。模型導入順序
從keras。層進口激活,密集

模型=順序()模型。添加(密度(512,激活= softmax, input_shape =(22日9)))

• softplus:它是用來應用softplus函數。您還可以參考下麵的例子:

從keras。模型導入順序
從keras。層進口激活,密集

模型=順序()模型。添加(密度(512,激活= softplus, input_shape =(22日9)))

指數:該配置用於應用指數函數:

從keras。模型導入順序
從keras。層進口激活,密集

模型=順序()模型。添加(密度(512,激活=“指數”,input_shape =(22日9)))

在上麵的函數中,如果你有注意到激活的值變化,所有的內容是相同的。這是因為我們指定函數名那邊申請調整功能。