LocallyConnected1D
keras.layers.LocallyConnected1D(filters, kernel_size, strides=1, padding=’valid’, data_format=None, 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)
Lớp được kết nối cục bộ hoạt động đối với các đầu vào 1D, hoạt động giống như của lớp Conv1D, chỉ là thực tế là các trọng số không được chia sẻ thay vì nó áp dụng một tập hợp các bộ lọc riêng biệt tại các bản vá đầu vào khác nhau.
Các bài viết liên quan:
Thí dụ
# Áp dụng tích chập trọng số không chia sẻ một chiều có độ dài 3 cho một chuỗi có 10 bước thời gian và 64 bộ lọc đầu ra. model = Sequential () model = Sequential() model.add(LocallyConnected1D(64, 3, input_shape=(10, 32))) # Now model.output_shape == (None, 8, 64) # Adding a new conv1d on the top model.add(LocallyConnected1D(32, 3)) # Now model.output_shape == (None, 6, 32)
Argument
- filters: Nó đề cập đến một số nguyên mô tả chiều không gian đầu ra hoặc số lượng bộ lọc đầu ra có trong tích chập.
- kernel_size: Nó đề cập đến một số nguyên hoặc tuple / danh sách của một số nguyên riêng lẻ chỉ định độ dài của cửa sổ tích chập 1D.
- strides:Nó có thể được định nghĩa là một số nguyên hoặc tuple / danh sách một số nguyên riêng lẻ chỉ định độ dài sải chân của tích chập. Việc xác định bất kỳ giá trị sải chân nào! = 1 không tương thích với việc xác định bất kỳ giá trị dilation_rate nào ! = 1.
- padding: Hiện tại, nó hỗ trợ “valid” , phân biệt chữ hoa chữ thường, nhưng trong tương lai, nó cũng có thể hỗ trợ “same” .
- data_format: Nó đề cập đến một chuỗi một trong các channel_last , channel_first .
- activation: Đây là một chức năng kích hoạt được sử dụng. Khi không có gì được chỉ định, thì theo mặc định, nó là một kích hoạt tuyến tính a (x) = x , hoặc chúng ta có thể nói rằng không có hàm kích hoạt nào được áp dụng.
- use_bias: Nó đại diện cho một Boolean cho biết liệu lớp có sử dụng vector thiên vị hay không.
- kernel_initializer: Nó có thể được định nghĩa như một bộ khởi tạo cho ma trận trọng số hạt nhân .
- bias_initializer: Nó đề cập đến bộ khởi tạo cho vector thiên vị.
- kernel_regularizer: Nó mô tả một hàm điều chỉnh, được thực hiện trên ma trận trọng số hạt nhân .
- bias_regularizer: Nó có thể được định nghĩa là hàm điều chỉnh, được áp dụng cho vector thiên vị.
- Activity_regularizer: Nó đề cập đến chức năng điều chỉnh được áp dụng cho kích hoạt (tức là đầu ra của lớp).
- kernel_constraint: Nó chỉ ra một chức năng ràng buộc được thực hiện trên ma trận kernel.
- bias_constraint: Nó mô tả một hàm ràng buộc, được áp dụng cho vectơ thiên vị.
input
Nó là một tensor 3D của hình dạng (lô, các bước, input_dim) .
output
output là một dải hình dạng 3D (hàng loạt, bước mới, bộ lọc) . Các giá trị có thể khác nhau do các bước và khoảng đệm.
LocallyConnected2D
keras.layers.LocallyConnected2D(filters, kernel_size, strides=(1, 1), padding=’valid’, data_format=None, 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)
Nó là một lớp được kết nối cục bộ cho các đầu vào 2D, hoạt động giống như của lớp Conv1D, chỉ là thực tế là các trọng số không được chia sẻ thay vì nó áp dụng một tập hợp các bộ lọc riêng biệt tại các bản vá đầu vào khác nhau.
Thí dụ
# Applying a 3x3 unshared weights convolution with 64 output filters on a 32x32 image with `data_format="channels_last"`: model = Sequential() model.add(LocallyConnected2D(64, (3, 3), input_shape=(32, 32, 3))) # Now model.output_shape == (None, 30, 30, 64) # Observe that this layer will consume (30*30)*(3*3*3*64) + (30*30)*64 parameters # Adding a 3x3 unshared weights convolution on top, with 32 output filters: model.add(LocallyConnected2D(32, (3, 3))) # Now model.output_shape == (None, 28, 28, 32)
Argument
- filters: Bộ lọc mô tả một số nguyên biểu thị chiều không gian đầu ra hoặc tổng số bộ lọc đầu ra có trong một tích chập.
- kernel_size: Nó có thể là một số nguyên hoặc tuple / danh sách 2 số nguyên để biểu thị chiều cao và chiều rộng của cửa sổ tích chập 2D. Nó cũng có thể tồn tại dưới dạng một số nguyên duy nhất biểu thị cùng một giá trị cho phần còn lại của miền không gian.
- strides:Nó là một số nguyên hoặc một tuple / danh sách 2 số nguyên đại diện cho các bước tích chập cùng với chiều cao và chiều rộng. Nó có thể tồn tại dưới dạng một số nguyên duy nhất chỉ định cùng một giá trị cho kích thước không gian.
- padding: Hiện tại, nó hỗ trợ “valid” , phân biệt chữ hoa chữ thường, nhưng trong tương lai, nó cũng có thể hỗ trợ “same” .
- data_format: Đây là một chuỗi “channel_last” hoặc “channel_first”, đại diện cho thứ tự của các thứ nguyên đầu vào. Ở đây “channel_last” liên quan đến input (hàng loạt, chiều cao, chiều rộng, các kênh) và “kênh đầu tiên” liên quan đến input (lô, kênh, chiều cao, chiều rộng) . Nó mặc định là giá trị image_data_format được tìm thấy trong cấu hình Keras tại ~ / .keras / keras.json . Nếu bạn không thể tìm thấy nó trong thư mục đó, thì nó đang nằm ở “channel_last”.
- activation: Đây là một chức năng kích hoạt được sử dụng. Khi không có gì được chỉ định, thì theo mặc định, nó là một kích hoạt tuyến tính a (x) = x , hoặc chúng ta có thể nói rằng không có hàm kích hoạt nào được áp dụng.
- use_bias: Nó đại diện cho một Boolean cho biết liệu lớp có sử dụng vector thiên vị hay không.
- kernel_initializer: Nó có thể được định nghĩa như một bộ khởi tạo cho ma trận trọng số hạt nhân .
- bias_initializer: Nó đề cập đến bộ khởi tạo cho vector thiên vị.
- kernel_regularizer: Nó mô tả một hàm điều chỉnh, được thực hiện trên ma trận trọng số hạt nhân .
- bias_regularizer: Nó có thể được định nghĩa là hàm điều chỉnh, được áp dụng cho vector thiên vị.
- Activity_regularizer: Nó đề cập đến chức năng điều chỉnh được áp dụng cho kích hoạt (tức là đầu ra của lớp).
- kernel_constraint: Nó chỉ ra một chức năng ràng buộc được thực hiện trên ma trận kernel.
- bias_constraint: Nó mô tả một hàm ràng buộc, được áp dụng cho vectơ thiên vị.
input
Nếu data_format là “channel_first” thì input của tensor 4D là (mẫu, kênh, hàng, cột), ngược lại nếu data_format là “channel_last”, thì input của tensor 4D là (mẫu, hàng, cột, kênh) .
output
Nếu data_format là “channel_first” , output của tensor 4D sẽ là (mẫu, bộ lọc, new_rows, new_cols), ngược lại nếu data_format là “channel_last” thì đầu ra sẽ là (mẫu, new_rows, new_cols, bộ lọc) . Các giá trị của hàng và cột có thể thay đổi do tác động của phần đệm.