[source]

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)

Locally-connected layer for 1D inputs.

LocallyConnected1D层的工作方式与Conv1D层类似,不同之处在于权重是不共享的,也就是说,在输入的每个不同面片上都应用了一组不同的过滤器.

Example

# 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)

Arguments

  • 过滤器 :整数,输出空间的维数(即卷积中输出过滤器的数量).
  • kernel_size :一个整数或一个整数的元组/列表,指定一维卷积窗口的长度.
  • strides :整数或一个整数的元组/列表,指定卷积的步长. 指定任何步幅值!= 1与指定任何dilation_rate值!= 1不兼容.
  • padding :目前仅支持"valid" (不区分大小写). 将来可能会支持"same" .
  • data_format :字符串, channels_firstchannels_last .
  • activation :要使用的激活功能(请参阅激活 ). 如果您未指定任何内容,则不应用任何激活(即"线性"激活: a(x) = x ).
  • use_bias :布尔值,层是否使用偏置向量.
  • kernel_initializerkernel权重矩阵的初始化程序 (请参阅initializers ).
  • bias_initializer :偏向向量的初始化器 (请参阅初始化器 ).
  • kernel_regularizer :将正则化函数应用到kernel权重矩阵(请参阅regularizer ).
  • bias_regularizer :将正则化函数应用于偏置向量(请参阅regularizer ).
  • activity_regularizer :将正则化函数应用于图层的输出(其"激活"). (请参阅正则化器 ).
  • kernel_constraint :应用于内核矩阵的约束函数(请参阅Constraints ).
  • bias_constraint :应用于偏差向量的约束函数(请参阅constraints ).

输入形状

具有以下形状的3D张量: (batch_size, steps, input_dim)

输出形状

具有以下形状的3D张量: (batch_size, new_steps, filters) steps值可能由于填充或步幅而改变了.


[source]

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)

2D输入的本地连接层.

LocallyConnected2D层的工作方式与Conv2D层相似,不同之处在于权重是不共享的,也就是说,在输入的每个不同色块上应用了一组不同的过滤器.

Examples

# apply 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)
# notice that this layer will consume (30*30)*(3*3*3*64)
# + (30*30)*64 parameters

# add 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)

Arguments

  • 过滤器 :整数,输出空间的维数(即卷积中输出过滤器的数量).
  • kernel_size :一个整数或2个整数的元组/列表,指定2D卷积窗口的宽度和高度. 可以是单个整数,以为所有空间尺寸指定相同的值.
  • strides :一个整数或2个整数的元组/列表,指定沿宽度和高度的卷积的步幅. 可以是单个整数,以为所有空间尺寸指定相同的值.
  • padding :目前仅支持"valid" (不区分大小写). 将来会支持"same" .
  • data_format :一个字符串, channels_last (默认)或channels_first . 输入中尺寸的顺序. channels_last对应于形状(batch, height, width, channels)输入,而channels_first对应于形状(batch, channels, height, width) . 它默认为在~/.keras/keras.json配置文件中找到的image_data_format值. 如果您从未设置,那么它将是" channels_last".
  • activation :要使用的激活功能(请参阅激活 ). 如果您未指定任何内容,则不应用任何激活(即"线性"激活: a(x) = x ).
  • use_bias :布尔值,层是否使用偏置向量.
  • kernel_initializerkernel权重矩阵的初始化程序 (请参阅initializers ).
  • bias_initializer :偏向向量的初始化器 (请参阅初始化器 ).
  • kernel_regularizer :将正则化函数应用到kernel权重矩阵(请参阅regularizer ).
  • bias_regularizer :将正则化函数应用于偏置向量(请参阅regularizer ).
  • activity_regularizer :将正则化函数应用于图层的输出(其"激活"). (请参阅正则化器 ).
  • kernel_constraint :应用于内核矩阵的约束函数(请参阅Constraints ).
  • bias_constraint :应用于偏差向量的约束函数(请参阅constraints ).

输入形状

如果data_format ='channels_first' (samples, channels, rows, cols)具有形状:( (samples, channels, rows, cols) 4D张量;如果da​​ta_format ='channels_last',则具有形状:( (samples, rows, cols, channels) 4D张量.

输出形状

如果data_format ='channels_first' (samples, filters, new_rows, new_cols)具有形状:( (samples, filters, new_rows, new_cols) 4D张量;如果da​​ta_format ='channels_last',则具有形状:( (samples, new_rows, new_cols, filters) 4D张量. rowscols值可能已经改变,由于填充.