keras doc 7 Pooling Connceted Recurrent Embedding Activation
keras doc 7 Pooling Connceted Recurrent Embedding Activation
相关链接请阅读原文访问。
池化层
MaxPooling1D层
keras.layers.convolutional.MaxPooling1D(pool_length=2, stride=None, border_mode='valid')对时域1D信号进行最大值池化
参数
- pool_length：下采样因子，如取2则将输入下采样到一半长度
- stride：整数或None，步长值
- border_mode：‘valid’或者‘same’
- 注意，目前‘same’模式只能在TensorFlow作为后端时使用
输入shape
- 形如（samples，steps，features）的3D张量
输出shape
- 形如（samples，downsampled_steps，features）的3D张量
MaxPooling2D层
keras.layers.convolutional.MaxPooling2D(pool_size=(2, 2), strides=None, border_mode='valid', dim_ordering='th')为空域信号施加最大值池化
参数
- pool_size：长为2的整数tuple，代表在两个方向（竖直，水平）上的下采样因子，如取（2，2）将使图片在两个维度上均变为原长的一半
- strides：长为2的整数tuple，或者None，步长值。
- border_mode：‘valid’或者‘same’
- 注意，目前‘same’模式只能在TensorFlow作为后端时使用
- dim_ordering：‘th’或‘tf’。‘th’模式中通道维（如彩色图像的3通道）位于第1个位置（维度从0开始算），而在‘tf’模式中，通道维位于第3个位置。例如128*128的三通道彩色图片，在‘th’模式中
input_shape应写为（3，128，128），而在‘tf’模式中应写为（128，128，3），注意这里3出现在第0个位置，因为input_shape不包含样本数的维度，在其内部实现中，实际上是（None，3，128，128）和（None，128，128，3）。默认是image_dim_ordering指定的模式，可在~/.keras/keras.json中查看，若没有设置过则为'tf'。
输入shape
‘th’模式下，为形如（samples，channels, rows，cols）的4D张量
‘tf’模式下，为形如（samples，rows, cols，channels）的4D张量
输出shape
‘th’模式下，为形如（samples，channels, pooled_rows, pooled_cols）的4D张量
‘tf’模式下，为形如（samples，pooled_rows, pooled_cols，channels）的4D张量
MaxPooling3D层
keras.layers.convolutional.MaxPooling3D(pool_size=(2, 2, 2), strides=None, border_mode='valid', dim_ordering='th')为3D信号（空域或时空域）施加最大值池化
本层目前只能在使用Theano为后端时可用
参数
- pool_size：长为3的整数tuple，代表在三个维度上的下采样因子，如取（2，2，2）将使信号在每个维度都变为原来的一半长。
- strides：长为3的整数tuple，或者None，步长值。
- border_mode：‘valid’或者‘same’
- dim_ordering：‘th’或‘tf’。‘th’模式中通道维（如彩色图像的3通道）位于第1个位置（维度从0开始算），而在‘tf’模式中，通道维位于第4个位置。默认是
image_dim_ordering指定的模式，可在~/.keras/keras.json中查看，若没有设置过则为'tf'。
输入shape
‘th’模式下，为形如（samples, channels, len_pool_dim1, len_pool_dim2, len_pool_dim3）的5D张量
‘tf’模式下，为形如（samples, len_pool_dim1, len_pool_dim2, len_pool_dim3，channels, ）的5D张量
输出shape
‘th’模式下，为形如（samples, channels, pooled_dim1, pooled_dim2, pooled_dim3）的5D张量
‘tf’模式下，为形如（samples, pooled_dim1, pooled_dim2, pooled_dim3,channels,）的5D张量
AveragePooling1D层
keras.layers.convolutional.AveragePooling1D(pool_length=2, stride=None, border_mode='valid')对时域1D信号进行平均值池化
参数
- pool_length：下采样因子，如取2则将输入下采样到一半长度
- stride：整数或None，步长值
- border_mode：‘valid’或者‘same’
- 注意，目前‘same’模式只能在TensorFlow作为后端时使用
输入shape
- 形如（samples，steps，features）的3D张量
输出shape
- 形如（samples，downsampled_steps，features）的3D张量
AveragePooling2D层
keras.layers.convolutional.AveragePooling2D(pool_size=(2, 2), strides=None, border_mode='valid', dim_ordering='th')为空域信号施加平均值池化
参数
- pool_size：长为2的整数tuple，代表在两个方向（竖直，水平）上的下采样因子，如取（2，2）将使图片在两个维度上均变为原长的一半
- strides：长为2的整数tuple，或者None，步长值。
- border_mode：‘valid’或者‘same’
- 注意，目前‘same’模式只能在TensorFlow作为后端时使用
dim_ordering：‘th’或‘tf’。‘th’模式中通道维（如彩色图像的3通道）位于第1个位置（维度从0开始算），而在‘tf’模式中，通道维位于第3个位置。例如128*128的三通道彩色图片，在‘th’模式中input_shape应写为（3，128，128），而在‘tf’模式中应写为（128，128，3），注意这里3出现在第0个位置，因为input_shape不包含样本数的维度，在其内部实现中，实际上是（None，3，128，128）和（None，128，128，3）。默认是image_dim_ordering指定的模式，可在~/.keras/keras.json中查看，若没有设置过则为'tf'。
输入shape
‘th’模式下，为形如（samples，channels, rows，cols）的4D张量
‘tf’模式下，为形如（samples，rows, cols，channels）的4D张量
输出shape
‘th’模式下，为形如（samples，channels, pooled_rows, pooled_cols）的4D张量
‘tf’模式下，为形如（samples，pooled_rows, pooled_cols，channels）的4D张量
AveragePooling3D层
keras.layers.convolutional.AveragePooling3D(pool_size=(2, 2, 2), strides=None, border_mode='valid', dim_ordering='th')为3D信号（空域或时空域）施加平均值池化
本层目前只能在使用Theano为后端时可用
参数
- pool_size：长为3的整数tuple，代表在三个维度上的下采样因子，如取（2，2，2）将使信号在每个维度都变为原来的一半长。
- strides：长为3的整数tuple，或者None，步长值。
- border_mode：‘valid’或者‘same’
- dim_ordering：dim_ordering：‘th’或‘tf’。‘th’模式中通道维（如彩色图像的3通道）位于第1个位置（维度从0开始算），而在‘tf’模式中，通道维位于第4个位置。默认是
image_dim_ordering指定的模式，可在~/.keras/keras.json中查看，若没有设置过则为'tf'。
输入shape
‘th’模式下，为形如（samples, channels, len_pool_dim1, len_pool_dim2, len_pool_dim3）的5D张量
‘tf’模式下，为形如（samples, len_pool_dim1, len_pool_dim2, len_pool_dim3，channels, ）的5D张量
输出shape
‘th’模式下，为形如（samples, channels, pooled_dim1, pooled_dim2, pooled_dim3）的5D张量
‘tf’模式下，为形如（samples, pooled_dim1, pooled_dim2, pooled_dim3,channels,）的5D张量
GlobalMaxPooling1D层
keras.layers.pooling.GlobalMaxPooling1D()对于时间信号的全局最大池化
输入shape
- 形如（samples，steps，features）的3D张量
输出shape
- 形如(samples, features)的2D张量
GlobalAveragePooling1D层
keras.layers.pooling.GlobalAveragePooling1D()为时域信号施加全局平均值池化
输入shape
- 形如（samples，steps，features）的3D张量
输出shape
- 形如(samples, features)的2D张量
GlobalMaxPooling2D层
keras.layers.pooling.GlobalMaxPooling2D(dim_ordering='default')为空域信号施加全局最大值池化
参数
- dim_ordering：‘th’或‘tf’。‘th’模式中通道维（如彩色图像的3通道）位于第1个位置（维度从0开始算），而在‘tf’模式中，通道维位于第3个位置。例如128*128的三通道彩色图片，在‘th’模式中
input_shape应写为（3，128，128），而在‘tf’模式中应写为（128，128，3），注意这里3出现在第0个位置，因为input_shape不包含样本数的维度，在其内部实现中，实际上是（None，3，128，128）和（None，128，128，3）。默认是image_dim_ordering指定的模式，可在~/.keras/keras.json中查看，若没有设置过则为'tf'。
输入shape
‘th’模式下，为形如（samples，channels, rows，cols）的4D张量
‘tf’模式下，为形如（samples，rows, cols，channels）的4D张量
输出shape
形如(nb_samples, channels)的2D张量
GlobalAveragePooling2D层
keras.layers.pooling.GlobalAveragePooling2D(dim_ordering='default')为空域信号施加全局平均值池化
参数
- dim_ordering：‘th’或‘tf’。‘th’模式中通道维（如彩色图像的3通道）位于第1个位置（维度从0开始算），而在‘tf’模式中，通道维位于第3个位置。例如128*128的三通道彩色图片，在‘th’模式中
input_shape应写为（3，128，128），而在‘tf’模式中应写为（128，128，3），注意这里3出现在第0个位置，因为input_shape不包含样本数的维度，在其内部实现中，实际上是（None，3，128，128）和（None，128，128，3）。默认是image_dim_ordering指定的模式，可在~/.keras/keras.json中查看，若没有设置过则为'tf'。
输入shape
‘th’模式下，为形如（samples，channels, rows，cols）的4D张量
‘tf’模式下，为形如（samples，rows, cols，channels）的4D张量
输出shape
形如(nb_samples, channels)的2D张量
局部连接层LocallyConnceted
LocallyConnected1D层
keras.layers.local.LocallyConnected1D(nb_filter, filter_length, init='uniform', activation='linear', weights=None, border_mode='valid', subsample_length=1, W_regularizer=None, b_regularizer=None, activity_regularizer=None, W_constraint=None, b_constraint=None, bias=True, input_dim=None, input_length=None)LocallyConnected1D层与Convolution1D工作方式类似，唯一的区别是不进行权值共享。即施加在不同输入patch的滤波器是不一样的，当使用该层作为模型首层时，需要提供参数input_dim或input_shape参数。参数含义参考Convolution1D。注意该层的input_shape必须完全指定，不支持None
参数
- nb_filter：卷积核的数目（即输出的维度）
- filter_length：卷积核的空域或时域长度
- init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。该参数仅在不传递
weights参数时有意义。 - activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）
- weights：权值，为numpy array的list。该list应含有一个形如（input_dim,output_dim）的权重矩阵和一个形如(output_dim,)的偏置向量。
- border_mode：边界模式，为“valid”或“same”
- subsample_length：输出对输入的下采样因子
- W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
- b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象
- activity_regularizer：施加在输出上的正则项，为ActivityRegularizer对象
- W_constraints：施加在权重上的约束项，为Constraints对象
- b_constraints：施加在偏置上的约束项，为Constraints对象
- bias：布尔值，是否包含偏置向量（即层对输入做线性变换还是仿射变换）
- input_dim：整数，输入数据的维度。当该层作为网络的第一层时，必须指定该参数或
input_shape参数。 - input_length：当输入序列的长度固定时，该参数为输入序列的长度。当需要在该层后连接
Flatten层，然后又要连接Dense层时，需要指定该参数，否则全连接的输出无法计算出来。
输入shape
形如（samples，steps，input_dim）的3D张量
输出shape
形如（samples，new_steps，nb_filter）的3D张量，因为有向量填充的原因，steps的值会改变
例子
# apply a unshared weight convolution 1d of length 3 to a sequence with# 10 timesteps, with 64 output filtersmodel = Sequential()
model.add(LocallyConnected1D(64, 3, input_shape=(10, 32)))# now model.output_shape == (None, 8, 64)# add a new conv1d on topmodel.add(LocallyConnected1D(32, 3))# now model.output_shape == (None, 6, 32)LocallyConnected2D层
keras.layers.local.LocallyConnected2D(nb_filter, nb_row, nb_col, init='glorot_uniform', activation='linear', weights=None, border_mode='valid', subsample=(1, 1), dim_ordering='default', W_regularizer=None, b_regularizer=None, activity_regularizer=None, W_constraint=None, b_constraint=None, bias=True)LocallyConnected2D层与Convolution2D工作方式类似，唯一的区别是不进行权值共享。即施加在不同输入patch的滤波器是不一样的，当使用该层作为模型首层时，需要提供参数input_dim或input_shape参数。参数含义参考Convolution2D。注意该层的input_shape必须完全指定，不支持None
参数
- nb_filter：卷积核的数目
- nb_row：卷积核的行数
- nb_col：卷积核的列数
- init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。该参数仅在不传递
weights参数时有意义。 - activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）
- weights：权值，为numpy array的list。该list应含有一个形如（input_dim,output_dim）的权重矩阵和一个形如(output_dim,)的偏置向量。
- border_mode：边界模式，为“valid”或“same”
- subsample：长为2的tuple，输出对输入的下采样因子，更普遍的称呼是“strides”
- W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
- b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象
- activity_regularizer：施加在输出上的正则项，为ActivityRegularizer对象
- W_constraints：施加在权重上的约束项，为Constraints对象
- b_constraints：施加在偏置上的约束项，为Constraints对象
- dim_ordering：‘th’或‘tf’。‘th’模式中通道维（如彩色图像的3通道）位于第1个位置（维度从0开始算），而在‘tf’模式中，通道维位于第3个位置。例如128*128的三通道彩色图片，在‘th’模式中
input_shape应写为（3，128，128），而在‘tf’模式中应写为（128，128，3），注意这里3出现在第0个位置，因为input_shape不包含样本数的维度，在其内部实现中，实际上是（None，3，128，128）和（None，128，128，3）。默认是image_dim_ordering指定的模式，可在~/.keras/keras.json中查看，若没有设置过则为'tf'。 - bias：布尔值，是否包含偏置向量（即层对输入做线性变换还是仿射变换）
输入shape
‘th’模式下，输入形如（samples,channels，rows，cols）的4D张量
‘tf’模式下，输入形如（samples，rows，cols，channels）的4D张量
注意这里的输入shape指的是函数内部实现的输入shape，而非函数接口应指定的input_shape，请参考下面提供的例子。
输出shape
‘th’模式下，为形如（samples，nb_filter, new_rows, new_cols）的4D张量
‘tf’模式下，为形如（samples，new_rows, new_cols，nb_filter）的4D张量
输出的行列数可能会因为填充方法而改变
例子
# apply a 3x3 unshared weights convolution with 64 output filters on a 32x32 image:model = Sequential()
model.add(LocallyConnected2D(64, 3, 3, input_shape=(3, 32, 32)))# now model.output_shape == (None, 64, 30, 30)# notice that this layer will consume (30*30)*(3*3*3*64) + (30*30)*64 parameters# add a 3x3 unshared weights convolution on top, with 32 output filters:model.add(LocallyConnected2D(32, 3, 3))# now model.output_shape == (None, 32, 28, 28)
递归层Recurrent
Recurrent层
keras.layers.recurrent.Recurrent(weights=None, return_sequences=False, go_backwards=False, stateful=False, unroll=False, consume_less='cpu', input_dim=None, input_length=None)这是递归层的抽象类，请不要在模型中直接应用该层（因为它是抽象类，无法实例化任何对象）。请使用它的子类LSTM或SimpleRNN。
所有的递归层（LSTM,GRU,SimpleRNN）都服从本层的性质，并接受本层指定的所有关键字参数。
参数
- weights：numpy array的list，用以初始化权重。该list形如
[(input_dim, output_dim),(output_dim, output_dim),(output_dim,)] - return_sequences：布尔值，默认
False，控制返回类型。若为True则返回整个序列，否则仅返回输出序列的最后一个输出 - go_backwards：布尔值，默认为
False，若为True，则逆向处理输入序列 - stateful：布尔值，默认为
False，若为True，则一个batch中下标为i的样本的最终状态将会用作下一个batch同样下标的样本的初始状态。 - unroll：布尔值，默认为
False，若为True，则递归层将被展开，否则就使用符号化的循环。当使用TensorFlow为后端时，递归网络本来就是展开的，因此该层不做任何事情。层展开会占用更多的内存，但会加速RNN的运算。层展开只适用于短序列。 - consume_less：‘cpu’或‘mem’之一。若设为‘cpu’，则RNN将使用较少、较大的矩阵乘法来实现，从而在CPU上会运行更快，但会更消耗内存。如果设为‘mem’，则RNN将会较多的小矩阵乘法来实现，从而在GPU并行计算时会运行更快（但在CPU上慢），并占用较少内存。
- input_dim：输入维度，当使用该层为模型首层时，应指定该值（或等价的指定input_shape)
- input_length：当输入序列的长度固定时，该参数为输入序列的长度。当需要在该层后连接
Flatten层，然后又要连接Dense层时，需要指定该参数，否则全连接的输出无法计算出来。注意，如果递归层不是网络的第一层，你需要在网络的第一层中指定序列的长度，如通过input_shape指定。
输入shape
形如（samples，timesteps，input_dim）的3D张量
输出shape
如果return_sequences=True：返回形如（samples，timesteps，output_dim）的3D张量
否则，返回形如（samples，output_dim）的2D张量
例子
# as the first layer in a Sequential modelmodel = Sequential()
model.add(LSTM(32, input_shape=(10, 64)))# now model.output_shape == (None, 10, 32)# note: `None` is the batch dimension.# the following is identical:model = Sequential()
model.add(LSTM(32, input_dim=64, input_length=10))# for subsequent layers, not need to specify the input size:model.add(LSTM(16))屏蔽输入数据（Masking）
递归层支持通过时间步变量对输入数据进行Masking，如果想将输入数据的一部分屏蔽掉，请使用Embedding层并将参数mask_zero设为True。
TensorFlow警告
目前为止，当使用TensorFlow作为后端时，序列的时间步数目必须在网络中指定。通过input_length（如果网络首层是递归层）或完整的input_shape来指定该值。
使用状态RNN的注意事项
可以将RNN设置为‘stateful’，意味着训练时每个batch的状态都会被重用于初始化下一个batch的初始状态。状态RNN假设连续的两个batch之中，相同下标的元素有一一映射关系。
要启用状态RNN，请在实例化层对象时指定参数stateful=True，并指定模型使用固定大小的batch：通过在模型的第一层传入batch_input_shape=(...)来实现。该参数应为包含batch大小的元组，例如（32，10，100）代表每个batch的大小是32.
如果要将递归层的状态重置，请调用.reset_states()，对模型调用将重置模型中所有状态RNN的状态。对单个层调用则只重置该层的状态。
以TensorFlow作为后端时使用dropout的注意事项
当使用TensorFlow作为后端时，如果要在递归层使用dropout，需要同上面所述的一样指定好固定的batch大小
SimpleRNN层
keras.layers.recurrent.SimpleRNN(output_dim, init='glorot_uniform', inner_init='orthogonal', activation='tanh', W_regularizer=None, U_regularizer=None, b_regularizer=None, dropout_W=0.0, dropout_U=0.0)全连接RNN网络，RNN的输出会被回馈到输入
参数
- output_dim：内部投影和输出的维度
- init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。
- inner_init：内部单元的初始化方法
- activation：激活函数，为预定义的激活函数名（参考激活函数）
- W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
- U_regularizer：施加在递归权重上的正则项，为WeightRegularizer对象
- b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象
- dropout_W：0~1之间的浮点数，控制输入单元到输入门的连接断开比例
- dropout_U：0~1之间的浮点数，控制输入单元到递归连接的断开比例
参考文献
GRU层
keras.layers.recurrent.GRU(output_dim, init='glorot_uniform', inner_init='orthogonal', activation='tanh', inner_activation='hard_sigmoid', W_regularizer=None, U_regularizer=None, b_regularizer=None, dropout_W=0.0, dropout_U=0.0)门限递归单元（详见参考文献）
参数
- output_dim：内部投影和输出的维度
- init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。
- inner_init：内部单元的初始化方法
- activation：激活函数，为预定义的激活函数名（参考激活函数）
- inner_activation：内部单元激活函数
- W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
- U_regularizer：施加在递归权重上的正则项，为WeightRegularizer对象
- b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象
- dropout_W：0~1之间的浮点数，控制输入单元到输入门的连接断开比例
- dropout_U：0~1之间的浮点数，控制输入单元到递归连接的断开比例
参考文献
- On the Properties of Neural Machine Translation: Encoder–Decoder Approaches
- Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling
- A Theoretically Grounded Application of Dropout in Recurrent Neural Networks
LSTM层
keras.layers.recurrent.LSTM(output_dim, init='glorot_uniform', inner_init='orthogonal', forget_bias_init='one', activation='tanh', inner_activation='hard_sigmoid', W_regularizer=None, U_regularizer=None, b_regularizer=None, dropout_W=0.0, dropout_U=0.0)Keras长短期记忆模型，关于此算法的详情，请参考本教程
参数
- output_dim：内部投影和输出的维度
- init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。
- inner_init：内部单元的初始化方法
- forget_bias_init：遗忘门偏置的初始化函数，Jozefowicz et al.建议初始化为全1元素
- activation：激活函数，为预定义的激活函数名（参考激活函数）
- inner_activation：内部单元激活函数
- W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
- U_regularizer：施加在递归权重上的正则项，为WeightRegularizer对象
- b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象
- dropout_W：0~1之间的浮点数，控制输入单元到输入门的连接断开比例
- dropout_U：0~1之间的浮点数，控制输入单元到递归连接的断开比例
参考文献
- Long short-term memory （original 1997 paper）
- Learning to forget: Continual prediction with LSTM
- Supervised sequence labelling with recurrent neural networks
- A Theoretically Grounded Application of Dropout in Recurrent Neural Networks
嵌入层 Embedding
Embedding层
keras.layers.embeddings.Embedding(input_dim, output_dim, init='uniform', input_length=None, W_regularizer=None, activity_regularizer=None, W_constraint=None, mask_zero=False, weights=None, dropout=0.0)嵌入层将正整数（下标）转换为具有固定大小的向量，如[[4],[20]]->[[0.25,0.1],[0.6,-0.2]]
Embedding层只能作为模型的第一层
参数
- input_dim：大或等于0的整数，字典长度，即输入数据最大下标+1
- output_dim：大于0的整数，代表全连接嵌入的维度
- init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。该参数仅在不传递
weights参数时有意义。 - activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）
- weights：权值，为numpy array的list。该list应仅含有一个如（input_dim,output_dim）的权重矩阵
- W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
- W_constraints：施加在权重上的约束项，为Constraints对象
- mask_zero：布尔值，确定是否将输入中的‘0’看作是应该被忽略的‘填充’（padding）值，该参数在使用递归层处理变长输入时有用。设置为
True的话，模型中后续的层必须都支持masking，否则会抛出异常 - input_length：当输入序列的长度固定时，该值为其长度。如果要在该层后接
Flatten层，然后接Dense层，则必须指定该参数，否则Dense层的输出维度无法自动推断。 - dropout：0~1的浮点数，代表要断开的嵌入比例，
输入shape
形如（samples，sequence_length）的2D张量
输出shape
形如(samples, sequence_length, output_dim)的3D张量
参考文献
高级激活层Advanced Activation
LeakyReLU层
keras.layers.advanced_activations.LeakyReLU(alpha=0.3)LeakyRelU是修正线性单元（Rectified Linear Unit，ReLU）的特殊版本，当不激活时，LeakyReLU仍然会有非零输出值，从而获得一个小梯度，避免ReLU可能出现的神经元“死亡”现象。即，f(x)=alpha * x for x < 0, f(x) = x for x>=0
参数
- alpha：大于0的浮点数，代表激活函数图像中第三象限线段的斜率
输入shape
任意，当使用该层为模型首层时需指定input_shape参数
输出shape
与输入相同
PReLU层
keras.layers.advanced_activations.PReLU(init='zero', weights=None)该层为参数化的ReLU（Parametric ReLU），表达式是：f(x) = alpha * x for x < 0,f(x) = x for x>=0，此处的alpha为一个与xshape相同的可学习的参数向量。
参数
- init：alpha的初始化函数
- weights：alpha的初始化值，为具有单个numpy array的list
输入shape
任意，当使用该层为模型首层时需指定input_shape参数
输出shape
与输入相同
参考文献
ELU层
keras.layers.advanced_activations.ELU(alpha=1.0)ELU层是指数线性单元（Exponential Linera Unit），表达式为： 该层为参数化的ReLU（Parametric ReLU），表达式是：f(x) = alpha * (exp(x) - 1.) for x < 0, f(x) = x for x>=0
参数
- alpha：控制负因子的参数
输入shape
任意，当使用该层为模型首层时需指定input_shape参数
输出shape
与输入相同
参考文献
ParametricSoftplus层
keras.layers.advanced_activations.ParametricSoftplus(alpha_init=0.2, beta_init=5.0, weights=None)该层是参数化的Softplus，表达式是：f(x) = alpha * log(1 + exp(beta * x))
参数
- alpha_init：浮点数，alpha的初始值
- beta_init：浮点数，beta的初始值
- weights：初始化权重，为含有两个numpy array的list
输入shape
任意，当使用该层为模型首层时需指定input_shape参数
输出shape
与输入相同
参考文献
ThresholdedReLU层
keras.layers.advanced_activations.ThresholdedReLU(theta=1.0)该层是带有门限的ReLU，表达式是：f(x) = x for x > theta,f(x) = 0 otherwise
参数
- theata：大或等于0的浮点数，激活门限位置
输入shape
任意，当使用该层为模型首层时需指定input_shape参数
输出shape
与输入相同
参考文献
SReLU层
keras.layers.advanced_activations.SReLU(t_left_init='zero', a_left_init='glorot_uniform', t_right_init='glorot_uniform', a_right_init='one')该层是S形的ReLU
参数
- t_left_init：左侧截断初始化函数
- a_left_init：左侧斜率初始化函数
- t_right_init：右侧截断初始化函数
- a_right_init：右侧斜率初始化函数
输入shape
任意，当使用该层为模型首层时需指定input_shape参数
输出shape
与输入相同