tf.keras.layers模块中的函数有哪些

本文小编为大家详细介绍“tf.keras.layers模块中的函数有哪些”，内容详细，步骤清晰，细节处理妥当，希望这篇“tf.keras.layers模块中的函数有哪些”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

tf.keras.layers模块中的函数

from __future__ import print_function as _print_functionimport sys as _sysfrom . import experimentalfrom Tensorflow.python.keras.engine.base_layer import Layerfrom tensorflow.Python.keras.engine.input_layer import Inputfrom tensorflow.python.keras.engine.input_layer import InputLayerfrom tensorflow.python.keras.engine.input_spec import InputSpecfrom tensorflow.python.keras.feature_column.dense_features_v2 import DenseFeaturesfrom tensorflow.python.keras.layers.advanced_activations import ELUfrom tensorflow.python.keras.layers.advanced_activations import LeakyReLUfrom tensorflow.python.keras.layers.advanced_activations import PReLUfrom tensorflow.python.keras.layers.advanced_activations import ReLUfrom tensorflow.python.keras.layers.advanced_activations import Softmaxfrom tensorflow.python.keras.layers.advanced_activations import ThresholdedReLUfrom tensorflow.python.keras.layers.convolutional import Conv1Dfrom tensorflow.python.keras.layers.convolutional import Conv1D as Convolution1Dfrom tensorflow.python.keras.layers.convolutional import Conv1DTransposefrom tensorflow.python.keras.layers.convolutional import Conv1DTranspose as Convolution1DTransposefrom tensorflow.python.keras.layers.convolutional import Conv2Dfrom tensorflow.python.keras.layers.convolutional import Conv2D as Convolution2Dfrom tensorflow.python.keras.layers.convolutional import Conv2DTransposefrom tensorflow.python.keras.layers.convolutional import Conv2DTranspose as Convolution2DTransposefrom tensorflow.python.keras.layers.convolutional import Conv3Dfrom tensorflow.python.keras.layers.convolutional import Conv3D as Convolution3Dfrom tensorflow.python.keras.layers.convolutional import Conv3DTransposefrom tensorflow.python.keras.layers.convolutional import Conv3DTranspose as Convolution3DTransposefrom tensorflow.python.keras.layers.convolutional import Cropping1Dfrom tensorflow.python.keras.layers.convolutional import Cropping2Dfrom tensorflow.python.keras.layers.convolutional import Cropping3Dfrom tensorflow.python.keras.layers.convolutional import DepthwiseConv2Dfrom tensorflow.python.keras.layers.convolutional import SeparableConv1Dfrom tensorflow.python.keras.layers.convolutional import SeparableConv1D as SeparableConvolution1Dfrom tensorflow.python.keras.layers.convolutional import SeparableConv2Dfrom tensorflow.python.keras.layers.convolutional import SeparableConv2D as SeparableConvolution2Dfrom tensorflow.python.keras.layers.convolutional import UpSampling1Dfrom tensorflow.python.keras.layers.convolutional import UpSampling2Dfrom tensorflow.python.keras.layers.convolutional import UpSampling3Dfrom tensorflow.python.keras.layers.convolutional import ZeroPadding1Dfrom tensorflow.python.keras.layers.convolutional import ZeroPadding2Dfrom tensorflow.python.keras.layers.convolutional import ZeroPadding3Dfrom tensorflow.python.keras.layers.convolutional_recurrent import ConvLSTM2Dfrom tensorflow.python.keras.layers.core import Activationfrom tensorflow.python.keras.layers.core import ActivityRegularizationfrom tensorflow.python.keras.layers.core import Densefrom tensorflow.python.keras.layers.core import Dropoutfrom tensorflow.python.keras.layers.core import Flattenfrom tensorflow.python.keras.layers.core import Lambdafrom tensorflow.python.keras.layers.core import Maskingfrom tensorflow.python.keras.layers.core import Permutefrom tensorflow.python.keras.layers.core import RepeatVectorfrom tensorflow.python.keras.layers.core import Reshapefrom tensorflow.python.keras.layers.core import SpatialDropout1Dfrom tensorflow.python.keras.layers.core import SpatialDropout2Dfrom tensorflow.python.keras.layers.core import SpatialDropout3Dfrom tensorflow.python.keras.layers.dense_attention import AdditiveAttentionfrom tensorflow.python.keras.layers.dense_attention import Attentionfrom tensorflow.python.keras.layers.embeddings import Embeddingfrom tensorflow.python.keras.layers.local import LocallyConnected1Dfrom tensorflow.python.keras.layers.local import LocallyConnected2Dfrom tensorflow.python.keras.layers.merge import Addfrom tensorflow.python.keras.layers.merge import Averagefrom tensorflow.python.keras.layers.merge import Concatenatefrom tensorflow.python.keras.layers.merge import Dotfrom tensorflow.python.keras.layers.merge import Maximumfrom tensorflow.python.keras.layers.merge import Minimumfrom tensorflow.python.keras.layers.merge import Multiplyfrom tensorflow.python.keras.layers.merge import Subtractfrom tensorflow.python.keras.layers.merge import addfrom tensorflow.python.keras.layers.merge import averagefrom tensorflow.python.keras.layers.merge import concatenatefrom tensorflow.python.keras.layers.merge import dotfrom tensorflow.python.keras.layers.merge import maximumfrom tensorflow.python.keras.layers.merge import minimumfrom tensorflow.python.keras.layers.merge import multiplyfrom tensorflow.python.keras.layers.merge import subtractfrom tensorflow.python.keras.layers.noise import AlphaDropoutfrom tensorflow.python.keras.layers.noise import GaussianDropoutfrom tensorflow.python.keras.layers.noise import GaussianNoisefrom tensorflow.python.keras.layers.nORMalization import LayerNormalizationfrom tensorflow.python.keras.layers.normalization_v2 import BatchNormalizationfrom tensorflow.python.keras.layers.pooling import AveragePooling1Dfrom tensorflow.python.keras.layers.pooling import AveragePooling1D as AvgPool1Dfrom tensorflow.python.keras.layers.pooling import AveragePooling2Dfrom tensorflow.python.keras.layers.pooling import AveragePooling2D as AvgPool2Dfrom tensorflow.python.keras.layers.pooling import AveragePooling3Dfrom tensorflow.python.keras.layers.pooling import AveragePooling3D as AvgPool3Dfrom tensorflow.python.keras.layers.pooling import GlobalAveragePooling1Dfrom tensorflow.python.keras.layers.pooling import GlobalAveragePooling1D as GlobalAvgPool1Dfrom tensorflow.python.keras.layers.pooling import GlobalAveragePooling2Dfrom tensorflow.python.keras.layers.pooling import GlobalAveragePooling2D as GlobalAvgPool2Dfrom tensorflow.python.keras.layers.pooling import GlobalAveragePooling3Dfrom tensorflow.python.keras.layers.pooling import GlobalAveragePooling3D as GlobalAvgPool3Dfrom tensorflow.python.keras.layers.pooling import GlobalMaxPooling1Dfrom tensorflow.python.keras.layers.pooling import GlobalMaxPooling1D as GlobalMaxPool1Dfrom tensorflow.python.keras.layers.pooling import GlobalMaxPooling2Dfrom tensorflow.python.keras.layers.pooling import GlobalMaxPooling2D as GlobalMaxPool2Dfrom tensorflow.python.keras.layers.pooling import GlobalMaxPooling3Dfrom tensorflow.python.keras.layers.pooling import GlobalMaxPooling3D as GlobalMaxPool3Dfrom tensorflow.python.keras.layers.pooling import MaxPooling1Dfrom tensorflow.python.keras.layers.pooling import MaxPooling1D as MaxPool1Dfrom tensorflow.python.keras.layers.pooling import MaxPooling2Dfrom tensorflow.python.keras.layers.pooling import MaxPooling2D as MaxPool2Dfrom tensorflow.python.keras.layers.pooling import MaxPooling3Dfrom tensorflow.python.keras.layers.pooling import MaxPooling3D as MaxPool3Dfrom tensorflow.python.keras.layers.recurrent import AbstractRNNCellfrom tensorflow.python.keras.layers.recurrent import RNNfrom tensorflow.python.keras.layers.recurrent import SimpleRNNfrom tensorflow.python.keras.layers.recurrent import SimpleRNNCellfrom tensorflow.python.keras.layers.recurrent import StackedRNNCellsfrom tensorflow.python.keras.layers.recurrent_v2 import GRUfrom tensorflow.python.keras.layers.recurrent_v2 import GRUCellfrom tensorflow.python.keras.layers.recurrent_v2 import LSTMfrom tensorflow.python.keras.layers.recurrent_v2 import LSTMCellfrom tensorflow.python.keras.layers.serialization import deserializefrom tensorflow.python.keras.layers.serialization import serializefrom tensorflow.python.keras.layers.wrappers import Bidirectionalfrom tensorflow.python.keras.layers.wrappers import TimeDistributedfrom tensorflow.python.keras.layers.wrappers import Wrapperdel _print_function

汇总tf.keras模型层layers

• tf.keras.layers.Dense()：密集连接层。参数个数 = 输入层特征数× 输出层特征数(weight)＋ 输出层特征数(bias)

• tf.keras.layers.Activation()：激活函数层。一般放在Dense层后面，等价于在Dense层中指定activation。

• tf.keras.layers.Dropout()：随机置零层。训练期间以一定几率将输入置0，一种正则化手段。

• tf.keras.layers.BatchNormalization()：批标准化层。通过线性变换将输入批次缩放平移到稳定的均值和标准差。可以增强模型对输入不同分布的适应性，加快模型训练速度，有轻微正则化效果。一般在激活函数之前使用。

• tf.keras.layers.SpatialDropout2D()：空间随机置零层。训练期间以一定几率将整个特征图置0，一种正则化手段，有利于避免特征图之间过高的相关性。

• tf.keras.layers.Input()：输入层。通常使用Functional api方式构建模型时作为第一层。

• tf.keras.layers.DenseFeature()：特征列接入层，用于接收一个特征列列表并产生一个密集连接层。

• tf.keras.layers.Flatten()：压平层，用于将多维张量压成一维。

• tf.keras.layers.Reshape()：形状重塑层，改变输入张量的形状。

• tf.keras.layers.Concatenate()：拼接层，将多个张量在某个维度上拼接。

• tf.keras.layers.Add()：加法层。

• tf.keras.layers.Subtract()：减法层。

• tf.keras.layers.Maximum()：取最大值层。

• tf.keras.layers.Minimum()：取最小值层。

卷积网络相关层

• tf.keras.layers.Conv1D()：普通一维卷积，常用于文本。参数个数 = 输入通道数×卷积核尺寸(如3)×卷积核个数

• tf.keras.layers.Conv2D()：普通二维卷积，常用于图像。参数个数 = 输入通道数×卷积核尺寸(如3乘3)×卷积核个数

• tf.keras.layers.Conv3D()：普通三维卷积，常用于视频。参数个数 = 输入通道数×卷积核尺寸(如3乘3乘3)×卷积核个数

• tf.keras.layers.SeparableConv2D()：二维深度可分离卷积层。不同于普通卷积同时对区域和通道操作，深度可分离卷积先操作区域，再操作通道。即先对每个通道做独立卷即先操作区域，再用1乘1卷积跨通道组合即再操作通道。参数个数 = 输入通道数×卷积核尺寸 + 输入通道数×1×1×输出通道数。深度可分离卷积的参数数量一般远小于普通卷积，效果一般也更好。

• tf.keras.layers.DepthwiseConv2D()：二维深度卷积层。仅有SeparableConv2D前半部分操作，即只操作区域，不操作通道，一般输出通道数和输入通道数相同，但也可以通过设置depth_multiplier让输出通道为输入通道的若干倍数。输出通道数 = 输入通道数 × depth_multiplier。参数个数 = 输入通道数×卷积核尺寸× depth_multiplier。

• tf.keras.layers.Conv2DTranspose()：二维卷积转置层，俗称反卷积层。并非卷积的逆操作，但在卷积核相同的情况下，当其输入尺寸是卷积操作输出尺寸的情况下，卷积转置的输出尺寸恰好是卷积操作的输入尺寸。

• tf.keras.layers.LocallyConnected2D():二维局部连接层。类似Conv2D，唯一的差别是没有空间上的权值共享，所以其参数个数远高于二维卷积。

• tf.keras.layers.MaxPooling2D():二维最大池化层。也称作下采样层。池化层无参数，主要作用是降维。

• tf.keras.layers.AveragePooling2D():二维平均池化层。

• tf.keras.layers.GlobalMaxPool2D():全局最大池化层。每个通道仅保留一个值。一般从卷积层过渡到全连接层时使用，是Flatten的替代方案。

• tf.keras.layers.GlobalAvgPool2D():全局平均池化层。每个通道仅保留一个值。

示例代码一、搭建LeNet-5神经网络

import tensorflow as tffrom tensorflow.keras import datasets, layers, optimizers, Sequential, metrics, losses # 1.数据集准备(x, y), (x_val, y_val) = datasets.mnist.load_data()  # 加载数据集，返回的是两个元组，分别表示训练集和测试集x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.  # 转换为张量，并缩放到0~1y = tf.convert_to_tensor(y, dtype=tf.int32)  # 转换为张量（标签）print(x.shape, y.shape)train_dataset = tf.data.Dataset.from_tensor_slices((x, y))  # 构建数据集对象train_dataset = train_dataset.batch(32).repeat(10)  # 设置批量训练的batch为32，要将训练集重复训练10遍 # 2.搭建网络network = Sequential([  # 搭建网络容器    layers.Conv2D(6, kernel_size=3, strides=1),  # 第一个卷积层，6个3*3*1卷积核    layers.MaxPooling2D(pool_size=2, strides=2),  # 池化层，卷积核2*2，步长2    layers.ReLU(),  # 激活函数    layers.Conv2D(16, kernel_size=3, strides=1),  # 第二个卷积层，16个3*3*6卷积核    layers.MaxPooling2D(pool_size=2, strides=2),  # 池化层    layers.ReLU(),  # 激活函数    layers.Flatten(),  # 拉直，方便全连接层处理    layers.Dense(120, activation='relu'),  # 全连接层，120个节点    layers.Dense(84, activation='relu'),  # 全连接层，84个节点    layers.Dense(10)  # 输出层，10个节点])network.build(input_shape=(None, 28, 28, 1))  # 定义输入,batch_size=32,输入图片大小是28*28,通道数为1。network.summary()  # 显示出每层的待优化参数量 # 3.模型训练（计算梯度，迭代更新网络参数）optimizer = optimizers.SGD(lr=0.01)  # 声明采用批量随机梯度下降方法，学习率=0.01acc_meter = metrics.Accuracy()  # 新建accuracy测量器for step, (x, y) in enumerate(train_dataset):  # 一次输入batch组数据进行训练    with tf.GradientTape() as tape:  # 构建梯度记录环境        x = tf.reshape(x, (32, 28, 28, 1))  # 将输入拉直，[b,28,28]->[b,784]        # x = tf.extand_dims(x, axis=3)        out = network(x)  # 输出[b, 10]        y_onehot = tf.one_hot(y, depth=10)  # one-hot编码        loss = tf.square(out - y_onehot)        loss = tf.reduce_sum(loss) / 32  # 定义均方差损失函数，注意此处的32对应为batch的大小        grads = tape.gradient(loss, network.trainable_variables)  # 计算网络中各个参数的梯度        optimizer.apply_gradients(zip(grads, network.trainable_variables))  # 更新网络参数        acc_meter.update_state(tf.argmax(out, axis=1), y)  # 比较预测值与标签，并计算精确度（写入数据，进行求精度）     if step % 200 == 0:  # 每200个step，打印一次结果        print('Step', step, ': Loss is: ', float(loss), ' Accuracy: ', acc_meter.result().numpy())  # 读取数据        acc_meter.reset_states()  # 清零测量器l

读到这里，这篇“tf.keras.layers模块中的函数有哪些”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注编程网精选频道。