[source]

GaussianNoise

keras.layers.GaussianNoise(stddev)

应用加法零中心高斯噪声.

这对于减轻过度拟合很有用(您可以将其视为随机数据扩充的一种形式). 高斯噪声(GS)是自然值输入的损坏过程的自然选择.

由于它是一个正则化层,因此仅在训练时才处于活动状态.

Arguments

  • stddev :浮动,噪声分布的标准偏差.

输入形状

随便 当将此层用作模型的第一层时,请使用关键字参数input_shape (整数元组,不包括示例轴).

输出形状

与输入形状相同.


[source]

GaussianDropout

keras.layers.GaussianDropout(rate)

应用以1为中心的乘法高斯噪声.

由于它是一个正则化层,因此仅在训练时才处于活动状态.

Arguments

  • rate :浮动,掉落概率(与Dropout ). 乘性噪声将具有标准偏差sqrt(rate / (1 - rate)) .

输入形状

随便 当将此层用作模型的第一层时,请使用关键字参数input_shape (整数元组,不包括示例轴).

输出形状

与输入形状相同.

References


[source]

AlphaDropout

keras.layers.AlphaDropout(rate, noise_shape=None, seed=None)

将Alpha Dropout应用于输入.

Alpha Dropout是将输入的均值和方差保持为其原始值的Dropout ,以便即使在此dropout之后也能确保自规范化属性. 通过将激活随机设置为负饱和值,Alpha Dropout非常适合比例指数线性单位.

Arguments

  • rate :浮动,掉落概率(与Dropout ). 乘性噪声将具有标准偏差sqrt(rate / (1 - rate)) .
  • noise_shapeint32类型的1-D Tensor ,表示随机生成的keep / drop标志的形状.
  • seed :用作随机种子的Python整数.

输入形状

随便 当将此层用作模型的第一层时,请使用关键字参数input_shape (整数元组,不包括示例轴).

输出形状

与输入形状相同.

References