本文主要是介绍详解Keras3.0 Layers API: Core layers，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1、Input
keras.Input(shape=None,batch_size=None,dtype=None,sparse=None,batch_shape=None,name=None,tensor=None,
)参数说明
shape: 输入张量的形状。如果为None，则可以动态地指定形状。batch_size: 批处理大小。如果为None，则可以动态地指定批处理大小。dtype: 输入张量的数据类型。如果为None，则使用默认的数据类型。sparse: 是否将输入视为稀疏张量。如果为True，则输入将被转换为稀疏张量。batch_shape: 批处理形状。如果为None，则可以动态地指定批处理形状。name: 输入层的名称。如果为None，则自动生成一个名称。tensor: 直接传递一个已经存在的张量作为输入。
示例
#输入张量的形状为(32,)，表示它包含32个特征
x = Input(shape=(32,))#定义一个全连接层（Dense）,全连接层的神经元数量为16
#activation='softmax'表示在输出层使用softmax激活函数，通常用于多分类问题
y = Dense(16, activation='softmax')(x)#Model函数用于将输入层和输出层组合成一个神经网络模型
model = Model(x, y)
2、Dense layer
keras.layers.Dense(units,activation=None,use_bias=True,kernel_initializer="glorot_uniform",bias_initializer="zeros",kernel_regularizer=None,bias_regularizer=None,activity_regularizer=None,kernel_constraint=None,bias_constraint=None,**kwargs
)参数说明
units: 输出空间的维度，即神经元的数量。activation: 激活函数，用于在输出上应用非线性变换。默认为None，表示不使用激活函数。use_bias: 布尔值，表示是否在输出中添加偏置项。默认为True，表示添加偏置项。kernel_initializer: 权重矩阵的初始化方法。默认为"glorot_uniform"，表示使用Glorot均匀分布进行初始化。bias_initializer: 偏置向量的初始化方法。默认为"zeros"，表示使用零进行初始化。kernel_regularizer: 权重矩阵的正则化方法。默认为None，表示不使用正则化。bias_regularizer: 偏置向量的正则化方法。默认为None，表示不使用正则化。activity_regularizer: 输出的正则化方法。默认为None，表示不使用正则化。kernel_constraint: 权重矩阵的约束方法。默认为None，表示不使用约束。bias_constraint: 偏置向量的约束方法。默认为None，表示不使用约束。**kwargs: 其他关键字参数，可以传递给其他函数或方法。
示例
# 创建一个简单的神经网络模型
model = Sequential()# 添加一个全连接层，输入维度为10，输出维度为5
model.add(Dense(units=5, input_dim=10, activation='relu'))# 编译模型，设置损失函数、优化器和评估指标
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])# 打印模型结构
model.summary()
3、Embedding layer
keras.layers.Embedding(input_dim,output_dim,embeddings_initializer="uniform",embeddings_regularizer=None,embeddings_constraint=None,mask_zero=False,**kwargs
)参数说明
- input_dim：整数。词汇表的大小，即最大整数索引+1
- output_dim：整数。密集嵌入的尺寸
- embeddings_initifier：embeddings矩阵的初始化器
- embeddings_regularizer：应用于嵌入矩阵的正则化函数
- embeddings_constraint：应用于嵌入矩阵的约束函数
- mask_zero：布尔值，无论输入值0是否为应屏蔽的特殊“填充”值。当使用可能采用可变长度输入的递归层时，这是有用的。如果为True，则模型中的所有后续层都需要支持遮罩，否则将引发异常。因此，如果mask_zero设置为True，则索引0不能在词汇表中使用（input_dim应等于词汇表+1的大小）
示例
#创建一个Sequential模型model
model = keras.Sequential()#向模型中添加了一个Embedding层。Embedding层用于将整数编码转换为固定大小的向量
#在这个例子中，词汇表的大小为1000，每个输入序列的长度为10，所以输出的向量维度为64
model.add(keras.layers.Embedding(1000, 64, input_length=10))#生成一个随机整数矩阵作为模型的输入。
#这个矩阵的形状为(32, 10)，表示有32个样本，每个样本的长度为10
input_array = np.random.randint(1000, size=(32, 10))#编译模型，指定了优化器为RMSProp，损失函数为均方误差（MSE）
model.compile('rmsprop', 'mse')#使用模型对输入数据进行预测
output_array = model.predict(input_array)#输出数组的形状，即(32, 10, 64)
print(output_array)这篇关于详解Keras3.0 Layers API: Core layers的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
