Python tf.keras.layers.LocallyConnected1D用法及代碼示例

Locally-connected 層用於一維輸入。

繼承自：Layer，Module

用法

tf.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, implementation=1, **kwargs
)

參數

filters 整數，輸出空間的維度(即卷積中輸出濾波器的數量)。
kernel_size 一個整數或單個整數的元組/列表，指定一維卷積窗口的長度。
strides 一個整數或單個整數的元組/列表，指定卷積的步長。
padding 目前僅支持"valid"(不區分大小寫)。將來可能會支持"same"。 "valid" 表示沒有填充。
data_format 一個字符串，是 channels_last (默認)或 channels_first 之一。輸入中維度的排序。 channels_last 對應於形狀為 (batch, length, channels) 的輸入，而 channels_first 對應於形狀為 (batch, channels, length) 的輸入。它默認為您的 Keras 配置文件中的 image_data_format 值 ~/.keras/keras.json 。如果您從未設置它，那麽它將是"channels_last"。
activation 要使用的激活函數。如果您未指定任何內容，則不會應用任何激活(即 "linear" 激活：a(x) = x )。
use_bias 布爾值，層是否使用偏置向量。
kernel_initializer kernel 權重矩陣的初始化程序。
bias_initializer 偏置向量的初始化器。
kernel_regularizer 應用於kernel 權重矩陣的正則化函數。
bias_regularizer 應用於偏置向量的正則化函數。
activity_regularizer 應用於層輸出的正則化函數(其"activation")..
kernel_constraint 應用於核矩陣的約束函數。
bias_constraint 應用於偏置向量的約束函數。
implementation 實現模式，可以是 1 , 2 ，也可以是 3 。 1 循環輸入空間位置以執行前向傳遞。它節省內存，但執行很多(小)操作。 2 將層權重存儲在一個密集但 sparsely-populated 2D 矩陣中，並將前向傳遞實現為單個 matrix-multiply。它使用大量 RAM，但執行很少(大)操作。 3 將層權重存儲在稀疏張量中，並將前向傳遞實現為單個稀疏matrix-multiply。如何選擇：1：大，密集模型，2：小模型，3：大，稀疏模型，其中"large"代表大輸入/輸出激活(即許多filters , input_filters，大input_size , output_size ) 和 "sparse" 代表輸入和輸出之間的連接少，即小比率 filters * input_filters * kernel_size / (input_size * strides) ，其中假設層的輸入和輸出分別具有形狀 (input_size, input_filters) , (output_size, filters)。建議在感興趣的設置中對每個進行基準測試，以選擇最有效的一個(在速度和內存使用方麵)。正確選擇實現可以顯著提高速度(例如 50 倍)，但可能會以 RAM 為代價。此外，implementation=1 僅支持 padding="valid" 。

LocallyConnected1D 層的工作方式與Conv1D 層類似，不同之處在於權重是不共享的，即在輸入的每個不同塊上應用一組不同的過濾器。

注意：圖層調用一次後不能修改圖層屬性(trainable 屬性除外)。

例子：

# apply a unshared weight convolution 1d of length 3 to a sequence with
    # 10 timesteps, with 64 output filters
    model = Sequential()
    model.add(LocallyConnected1D(64, 3, input_shape=(10, 32)))
    # now model.output_shape == (None, 8, 64)
    # add a new conv1d on top
    model.add(LocallyConnected1D(32, 3))
    # now model.output_shape == (None, 6, 32)

輸入形狀：

具有形狀的 3D 張量：(batch_size, steps, input_dim)

輸出形狀：

具有形狀的 3D 張量：(batch_size, new_steps, filters) steps 值可能由於填充或步幅而改變。

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.keras.layers.LocallyConnected1D。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。