9、模型层

首先暴露一个问题，对卷积的CNN和RNN不太熟悉，额哈哈~~~

然后，深度学习模型一般由各种模型层组合而成。

tf.keras.layers内置了非常丰富的各种功能的模型层。例如，

layers.Dense,layers.Flatten,layers.Input,layers.DenseFeature,layers.Dropout

layers.Conv2D,layers.MaxPooling2D,layers.Conv1D

layers.Embedding,layers.GRU,layers.LSTM,layers.Bidirectional等等。

如果这些内置模型层不能够满足需求，我们也可以通过编写tf.keras.Lambda匿名模型层或继承tf.keras.layers.Layer基类构建自定义的模型层。其中tf.keras.Lambda匿名模型层只适用于构造没有学习参数的模型层。

1、基础层

Dense：密集连接层。参数个数 = 输入层特征数× 输出层特征数(weight)＋ 输出层特征数(bias)

Activation：激活函数层。一般放在Dense层后面，等价于在Dense层中指定activation。

Dropout：随机置零层。训练期间以一定几率将输入置0，一种正则化手段。

BatchNormalization：批标准化层。通过线性变换将输入批次缩放平移到稳定的均值和标准差。可以增强模型对输入不同分布的适应性，加快模型训练速度，有轻微正则化效果。一般在激活函数之前使用。

SpatialDropout2D：空间随机置零层。训练期间以一定几率将整个特征图置0，一种正则化手段，有利于避免特征图之间过高的相关性。

Input：输入层。通常使用Functional API方式构建模型时作为第一层。

DenseFeature：特征列接入层，用于接收一个特征列列表并产生一个密集连接层。

Flatten：压平层，用于将多维张量压成一维。

Reshape：形状重塑层，改变输入张量的形状。

Concatenate：拼接层，将多个张量在某个维度上拼接。

Add：加法层。

Subtract： 减法层。

Maximum：取最大值层。

Minimum：取最小值层。

卷积网络相关层

Conv1D：普通一维卷积，常用于文本。参数个数 = 输入通道数×卷积核尺寸(如3)×卷积核个数

Conv2D：普通二维卷积，常用于图像。参数个数 = 输入通道数×卷积核尺寸(如3乘3)×卷积核个数

Conv3D：普通三维卷积，常用于视频。参数个数 = 输入通道数×卷积核尺寸(如3乘3乘3)×卷积核个数

MaxPooling2D: 二维最大池化层。也称作下采样层。池化层无参数，主要作用是降维。

AveragePooling2D: 二维平均池化层。

GlobalMaxPool2D: 全局最大池化层。每个通道仅保留一个值。一般从卷积层过渡到全连接层时使用，是Flatten的替代方案。

GlobalAvgPool2D: 全局平均池化层。每个通道仅保留一个值。

循环网络相关层

Embedding：嵌入层。一种比Onehot更加有效的对离散特征进行编码的方法。一般用于将输入中的单词映射为稠密向量。嵌入层的参数需要学习。

LSTM：长短记忆循环网络层。最普遍使用的循环网络层。具有携带轨道，遗忘门，更新门，输出门。可以较为有效地缓解梯度消失问题，从而能够适用长期依赖问题。设置return_sequences = True时可以返回各个中间步骤输出，否则只返回最终输出。

GRU：门控循环网络层。LSTM的低配版，不具有携带轨道，参数数量少于LSTM，训练速度更快。

SimpleRNN：简单循环网络层。容易存在梯度消失，不能够适用长期依赖问题。一般较少使用。

ConvLSTM2D：卷积长短记忆循环网络层。结构上类似LSTM，但对输入的转换操作和对状态的转换操作都是卷积运算。

Bidirectional：双向循环网络包装器。可以将LSTM，GRU等层包装成双向循环网络。从而增强特征提取能力。

RNN：RNN基本层。接受一个循环网络单元或一个循环单元列表，通过调用tf.keras.backend.rnn函数在序列上进行迭代从而转换成循环网络层。

LSTMCell：LSTM单元。和LSTM在整个序列上迭代相比，它仅在序列上迭代一步。可以简单理解LSTM即RNN基本层包裹LSTMCell。

GRUCell：GRU单元。和GRU在整个序列上迭代相比，它仅在序列上迭代一步。

SimpleRNNCell：SimpleRNN单元。和SimpleRNN在整个序列上迭代相比，它仅在序列上迭代一步。

AbstractRNNCell：抽象RNN单元。通过对它的子类化用户可以自定义RNN单元，再通过RNN基本层的包裹实现用户自定义循环网络层。

Attention：Dot-product类型注意力机制层。可以用于构建注意力模型。

AdditiveAttention：Additive类型注意力机制层。可以用于构建注意力模型。

TimeDistributed：时间分布包装器。包装后可以将Dense、Conv2D等作用到每一个时间片段上。

自定义模型层

如果自定义模型层没有需要被训练的参数，一般推荐使用Lamda层实现。

如果自定义模型层有需要被训练的参数，则可以通过对Layer基类子类化实现。

Lamda层由于没有需要被训练的参数，只需要定义正向传播逻辑即可，使用比Layer基类子类化更加简单。

Lamda层的正向逻辑可以使用Python的lambda函数来表达，也可以用def关键字定义函数来表达。

for example:自定义模型呀~~~

Layer的子类化一般需要重新实现初始化方法，Build方法和Call方法。下面是一个简化的线性层的范例，类似Dense.

import tensorflow as tf

from tensorflow.keras import layers,models,regularizers

 #Layer的子类化一般需要重新实现初始化方法，Build方法和Call方法。下面是一个简化的线性层的范例，类似Dense.

 15 class Linear(layers.Layer):

 16    def __init__(self, units=32, **kwargs):

 17        super(Linear, self).__init__(**kwargs)

 18        self.units = units

 19 

 20    #build方法一般定义Layer需要被训练的参数。   

 21    def build(self, input_shape):

 22        #求列数

 23        self.w = self.add_weight(shape=(input_shape[-1], self.units),

 24                                 initializer='random_normal',

 25                                 trainable=True)

 26        self.b = self.add_weight(shape=(self.units,),

 27                                 initializer='random_normal',

 28                                 trainable=True)

 29        super(Linear,self).build(input_shape) # 相当于设置self.built = True

 30 

 31    #call方法一般定义正向传播运算逻辑，__call__方法调用了它。   

 32    def call(self, inputs):

 33        return tf.matmul(inputs, self.w) + self.b

 34 

 35    #如果要让自定义的Layer通过Functional API 组合成模型时可以序列化，需要自定义get_config方法。

 36    def get_config(self):

 37        config =super(Linear, self).get_config()

 38        config.update({'units': self.units})

 39        return config

 40 

 41linear = Linear(units = 8)

 42print(linear.built)

 43#指定input_shape，显式调用build方法，第0维代表样本数量，用None填充

 44linear.build(input_shape = (None,16))

 45print(linear.built)

 46 

 47linear = Linear(units = 8)

 48print(linear.built)

 49linear.build(input_shape = (None,16))

 50print(linear.compute_output_shape(input_shape = (None,16)))

 51 

 52linear = Linear(units = 16)

 53print(linear.built)

 54#如果built = False，调用__call__时会先调用build方法, 再调用call方法。

 55linear(tf.random.uniform((100,64)))

 56print(linear.built)

 57config = linear.get_config()

 58print(config)

 59 

 60 

 61tf.keras.backend.clear_session()

 62 

 63model = models.Sequential()

 64#注意该处的input_shape会被模型加工，无需使用None代表样本数量维

 65model.add(Linear(units = 16,input_shape = (64,)))

 66print("model.input_shape: ",model.input_shape)

 67print("model.output_shape: ",model.output_shape)

 68model.summary()