Keras-layer
En byggesten i Keras-modeller, der transformerer data gennem en eller flere operationer såsom fuldt forbundne lag, konvolutioner eller aktiveringsfunktioner.
Kort fortalt
En Keras-layer er som en ingrediens i en neurale netværksopskrift, der hver især bearbejder inputdata på en bestemt måde (f.eks. komprimering, filtrering eller aktivering) før den sendes videre til næste lag.
- Kategori
- arkitektur
- Niveau
- begynder
- Udtale
- /ˈkɛrəs ˈleɪər/
Betydninger
1- 1
En Keras-layer er en abstraktion af et neuralt netværkslag, der tager en inputtensor og producerer en outputtensor gennem trænede vægte og foruddefinerede operationer. Lagene kan konfigureres med parametre som antal enheder, aktiveringsfunktion, regularisering m.m.
- For at tilføje et fuldt forbundet lag til en sekventiel model bruges metoden model.add(Dense(64, activation='relu')). — Keras dokumentation
- Conv2D-laget anvendes typisk i convolutional neurale netværk til at udtrække rumlige træk fra billeder. — Keras official documentation
Hvornår bruges det
Keras-layers bruges til at opbygge sekventielle og funktionelle modeller ved at stable lag efter hinanden. Hver layer har en specifik opgave, f.eks. Dense til fuldt forbundne lag, Conv2D til billedbehandling, LSTM til sekvensdata og Dropout til regularisering. De kombineres typisk i en sekvens, men kan også bruges i mere komplekse grafer i functional API.
Kodeeksempel
from keras.models import Sequential
from keras.layers import Dense, Dropout
model = Sequential()
model.add(Dense(64, activation='relu', input_shape=(784,)))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))Oprettelse af en sekventiel model med to Dense-lag og et Dropout-lag.
Oprindelse
Keras er et græsk ord for 'horn', men navnet refererer til gudinden Keras. 'Layer' er engelsk for lag. Termen 'Keras-layer' opstod med introduktionen af Keras-biblioteket i 2015.