keras理解（一）

inputs = Input(shape=(None, 4))#shape=(?, ?, 4)，生成3维的矩阵，若后面的层是LSTM层，则必须是3维的矩阵

encoder_inputs = Input(shape=(4))#这种写法会报错，必须加逗号

encoder_inputs = Input(shape=(4，))#shape=(?, 4)，生成2维的矩阵

致力于在仅仅知道输入和输出的情况下创建模型,例如，若a,b,c是张量tensor, 则可以

model = Model(input=[a, b], output=c)

源码：

def Input(shape=None, batch_shape=None,
          name=None, dtype=None, sparse=False,
          tensor=None):

参数:

shape,不包括batch size, 例如 shape=(32,), 意味着输入是1行32列的向量

batch_shape：指batch size, 例如batch_shape=(10,32),意味着输入的batch=10,即实际输入为10行，32列的矩阵， batch_shape=(None,32)意味着任意batch的32列向量

sparse: 布尔值，指出被创建的占位符placeholder是否是稀疏的。

个人觉得这个input函数就是tensorflow得占位符作用，也不知道理解得对不对相当于

inputs=tf.placeholder(tf.int32,[batch_size, 10],name='input')

例如：

```python
        # this is a logistic regression in Keras
        x = Input(shape=(32,))
        y = Dense(16, activation='softmax')(x)
        model = Model(x, y)

LSTM,

encoder = LSTM( units=4, return_state=True)

参数：

units:正整数，输出的维数

activation:默认激活函数为tanh,若指定activation=None, 就没有应用激活函数，即采用的线性激活，a(x)=x

use_bias:布尔值，是否采用偏置

kernel_initializer:初始化核kernel的权重矩阵

recurrent_initializer:初始化recurrent_kernel的权重矩阵

dropout: 默认为0，用户可取0-1之间的float值，Fraction of the units to drop for the linear transformation of the inputs.

return_state:布尔值，默认为False, 即只返回output,，若用户指定 return_state=True，则返回最后状态output+last state

return_sequences:布尔值，默认为False,只输出last output，若用户指定 return_sequences=True, 则返回full sequence

if return_sequences:
            output_shape = (input_shape[0], input_shape[1], output_dim)
        else:
            output_shape = (input_shape[0], output_dim)

猜你喜欢