【深度学习 | Keras】Keras操作工具类大全，确定不来看看？

在这里插入图片描述

🤵‍♂️ 个人主页: @AI_magician 📡主页地址： 作者简介：CSDN内容合伙人，全栈领域优质创作者。 👨‍💻景愿：旨在于能和更多的热爱计算机的伙伴一起成长！！🐱‍🏍 🙋‍♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）

在这里插入图片描述

【深度学习 | 核心概念】那些深度学习路上必经的核心概念，确定不来看看？ （一） 作者： 计算机魔术师 版本： 1.0 （ 2023.8.27 ）

摘要： 本系列旨在普及那些深度学习路上必经的核心概念，文章内容都是博主用心学习收集所写，欢迎大家三联支持！本系列会一直更新，核心概念系列会一直更新！欢迎大家订阅

该文章收录专栏 [✨— 《深入解析机器学习：从原理到应用的全面指南》 —✨]

工具类

• Tools
  • multiply
  • • 原理概述
    • 输入与输出
  • Permute
  • • 原理详解
    • 参数详解
  • RepeatVector
  • Flatten
  • • 原理详解
    • 参数详解
  • Concatenate

Tools

multiply

原理概述

layers.Multiply是Keras中的一个层，它用于对输入进行逐元素相乘。

其原理很简单，它接收两个张量作为输入，并通过逐元素相乘将它们相乘。它可以接收两个形状相同的张量，也可以广播其中一个张量以匹配另一个张量的形状。输出的张量形状与输入张量形状相同。

具体地说，如果我们有两个输入张量

和

，并且它们具有相同的形状

，那么它们的逐元素相乘的结果

可以表示为：

其中，

表示逐元素相乘。

在实际应用中，layers.Multiply通常用于实现注意力机制（Attention Mechanism），其中需要对输入进行逐元素相乘以加强某些特征的重要性。

输入与输出

layers.multiply 是 Keras 中的一种层类型，用于对输入进行逐元素乘积运算。该层有以下特点：

• 输入：可以是两个张量或两个列表中的张量。张量的形状必须相同。
• 输出：形状与输入相同的张量，其每个元素都是输入张量对应元素的乘积。

该层可以用于许多不同的场景，例如：

• 将一个张量乘以另一个张量，用于实现元素级别的加权或缩放。
• 将两个张量进行点乘操作，用于计算两个向量之间的相似度或相关性。
• 在模型中添加一个可训练的缩放因子，以便模型能够学习数据的缩放。
  • 或者乘上注意力权重，实现注意力机制

该层的实现非常简单，只需要对输入张量进行逐元素的乘积运算即可。在 Keras 中，可以使用 multiply 函数来实现这个操作。在层的实现中，通常会将该函数包装成一个 Lambda 层来使用，示例代码如下：

pythonCopy codefrom tensorflow.keras.layers import Lambda, Input
import tensorflow.keras.backend as K

# 定义两个输入张量
input1 = Input(shape=(10,))
input2 = Input(shape=(10,))

# 定义一个逐元素乘积运算的 Lambda 层
multiply_layer = Lambda(lambda x: K.multiply(x[0], x[1]))

# 将两个输入张量通过逐元素乘积运算进行合并
output = multiply_layer([input1, input2])

在这个例子中，我们定义了两个形状为 (10,) 的输入张量 input1 和 input2，然后使用 Lambda 层定义了一个逐元素乘积运算，最后将两个输入张量通过该运算进行合并得到输出张量 output。

需要注意的是，由于 multiply 层并没有任何可训练的参数，因此它不会对输入进行任何修改或转换，只是对输入进行逐元素乘积运算。

Permute

原理详解

layers.Permute 是 Keras 中的一种层类型，其作用是对输入张量的维度进行重排，即进行置换操作。它的原理如下：

假设输入张量的维度为 (batch_size, dim1, dim2, dim3)，若 layers.Permute 的 dims 参数设置为 (2, 1, 3, 0)，则输出张量的维度为 (dim2, dim1, dim3, batch_size)，即将原输入张量的第 1 维移动到输出张量的第 4 维，第 2 维移动到第 2 维，第 3 维移动到第 3 维，第 4 维移动到第 1 维。

在深度学习中，有时候需要对输入张量的维度进行重排以便进行后续操作，例如在自然语言处理中将序列的时间维移动到批次维前面，或在图像处理中将图像通道维移动到批次维前面等。layers.Permute 就是为了实现这一功能而设计的。

参数详解

layers.Permute层没有特定的参数，只有一个输入参数dims，它指定要进行排列的维度顺序。dims是一个整数列表，用于指定输入张量的新维度顺序。例如，如果dims=[2,1]，则将输入张量的第2个维度移动到第1个维度的位置，将第1个维度移动到第2个维度的位置。它可以用来对输入张量的维度顺序进行重新排列，以适应后续层的需要。

RepeatVector

layers.RepeatVector是Keras中的一个层，它用于在神经网络中重复输入向量或矩阵。它接受一个参数n，表示要重复的次数。让我们更详细地了解一下它的功能和用法。

使用layers.RepeatVector层，你可以将一个向量或矩阵重复多次来创建一个新的张量，其中每个副本都是原始输入的副本。这对于许多序列生成任务非常有用，例如机器翻译、文本生成和时间序列预测等。

下面是layers.RepeatVector的一些重要特点和使用示例：

输入形状：layers.RepeatVector层的输入应该是一个2D张量，形状为(batch_size, features)，其中batch_size表示批量大小，features表示输入的特征数。

输出形状：输出形状为(batch_size, n, features)，其中n是通过layers.RepeatVector指定的重复次数。

示例代码：

import tensorflow as tf
from tensorflow.keras import layers

# 假设输入数据的形状为(batch_size, features)
input_data = tf.keras.Input(shape=(features,))

# 使用RepeatVector重复输入向量10次
repeated_data = layers.RepeatVector(10)(input_data)

# 在此之后，输出形状将变为(batch_size, 10, features)
# 这意味着输入向量将重复10次，每个副本都是原始输入的副本

# 接下来可以继续添加其他层进行处理或生成输出

在上面的示例中，我们创建了一个input_data变量作为输入张量，并使用layers.RepeatVector将其重复10次。这样，repeated_data的形状就变成了(batch_size, 10, features)。

总结一下，layers.RepeatVector层允许你在神经网络中重复输入向量或矩阵，以便进行序列生成任务。它接受一个参数n，表示要重复的次数。

@keras_export("keras.layers.RepeatVector")
class RepeatVector(Layer):
    """Repeats the input n times.

    Example:

    ```python
    model = Sequential()
    model.add(Dense(32, input_dim=32))
    # now: model.output_shape == (None, 32)
    # note: `None` is the batch dimension

    model.add(RepeatVector(3))
    # now: model.output_shape == (None, 3, 32)


    Args:
      n: Integer, repetition factor.
    Input shape: 2D tensor of shape `(num_samples, features)`.
    Output shape: 3D tensor of shape `(num_samples, n, features)`.
    """

Flatten

原理详解

Flatten 是一个简单的层，用于将输入的多维张量转换为一维张量，其原理可以概括为将输入的张量拉伸成一条向量。例如，输入形状为 (batch_size, a, b, c) 的张量，经过 Flatten 层处理后，输出形状为 (batch_size, a * b * c) 的一维张量。

Flatten 层通常用于将卷积层或池化层的输出张量转换为全连接层的输入张量。因为全连接层要求输入为一维张量，所以需要将其他维度的特征“拉平”成一维。

在实现上，Flatten 层没有可训练的参数，它只是对输入进行简单的变换。

参数详解

在使用 Flatten 层时，需要注意输入张量的维度，通常要保证输入张量的最后两个维度是空间维度（如图片的宽和高），前面的维度是批次大小和通道数，这样才能保证张量能够正确地展平为向量。

举个例子，如果输入张量的形状是 (batch_size, 28, 28, 3)，表示有 batch_size 个 28x28 的彩色图片，那么使用 Flatten 层将其展开后的形状就是 (batch_size, 2352)，即每个图片都被展开成了一个长度为 2352 的向量。

Concatenate

拼接模型输出

在这里插入图片描述

						  🤞到这里，如果还有什么疑问🤞
					🎩欢迎私信博主问题哦，博主会尽自己能力为你解答疑惑的！🎩
					 	 🥳如果对你有帮助，你的赞是对博主最大的支持！！🥳