Keras深度学习框架基础第二讲：层接口(layers API)第二部分“基本层类”

本文主要是介绍Keras深度学习框架基础第二讲：层接口(layers API)第二部分“基本层类”，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1、layer 类

典型的layer类如下

keras.layers.Layer(activity_regularizer=None,trainable=True,dtype=None,autocast=True,name=None,**kwargs
)

这是一个所有层都继承的基类。

一个层是一个可调用的对象，它接受一个或多个张量作为输入，并输出一个或多个张量。它涉及计算，这些计算在call()方法中定义，并且有一个状态（权重变量）。状态可以在以下两种方式中创建：

• 在__init__()方法中，例如通过self.add_weight()；
• 在可选的build()方法中，这个方法会在第一次调用该层的__call__()时被调用，并提供输入的形状，这些形状可能在初始化时未知。

层是递归可组合的：如果你将一个层实例作为另一个层的属性，外部层将开始跟踪内部层创建的权重。嵌套层应该在__init__()方法或build()方法中实例化。

用户只需实例化一个层，然后将其当作可调用的对象来使用。

参数

• trainable: 布尔值，表示该层的变量是否应该是可训练的。
• name: 字符串，表示层的名称。
• dtype:层的计算和权重的数据类型。也可以是一个keras.DTypePolicy，它允许计算和权重的数据类型不同。默认为None。如果为None，则使用keras.config.dtype_policy()，这通常是一个float32策略，除非通过keras.config.set_dtype_policy()设置为不同的值。

属性

• name: 层的名称（字符串）。
• dtype: 层权重的数据类型。是layer.variable_dtype的别名。
• variable_dtype: 层权重的数据类型。
• compute_dtype:层计算的数据类型。层会自动将输入转换为这个数据类型，从而使得计算和输出也在这个数据类型下。当使用混合精度与keras.DTypePolicy时，这可能与variable_dtype不同。
• trainable_weights: 应在反向传播中包括的变量列表。
• non_trainable_weights:不应在反向传播中包括的变量列表。
• weights:trainable_weights和non_trainable_weights列表的合并（按此顺序）。
• trainable:该层是否应该被训练（布尔值），即其潜在的可训练权重是否应作为layer.trainable_weights的一部分返回。
• input_spec: 可选的（一组）InputSpec对象，指定层可以接受的输入的约束。

推荐Layer的子类实现以下方法：

• __init__(self): 定义自定义层属性，并使用add_weight()或其他状态创建不依赖于输入形状的层权重。
• build(self, input_shape):
  此方法可用于创建依赖于输入形状(s)的权重，使用add_weight()或其他状态。当__call__()被调用时（如果层尚未被构建），它将自动调用build()来构建层。
• call(self, *args, **kwargs):
  在确保build()已被调用后，在__call__()中被调用。call()方法执行将层应用于输入参数的逻辑。在call()中，你可以选择性地使用两个保留的关键字参数：1. training（布尔值，表示调用是否处于推理模式或训练模式）。2. mask（布尔张量，编码输入中屏蔽的时间步，例如在RNN层中使用）。该方法的一个典型签名是call(self, inputs)，如果用户需要，还可以添加training和mask。
• get_config(self):返回一个字典，包含用于初始化此层的配置。如果字典的键与__init__()中的参数不同，则还需要重写from_config(self)方法。此方法在保存层或包含此层的模型时使用。

示例
以下是一个基础示例，演示了一个包含两个变量w和b的层，它实现了y = w * x + b的计算。这个示例展示了如何实现build()和call()方法，以及如何将变量设置为层的属性以跟踪为层的权重（在layer.weights中）。

class SimpleDense(Layer):def __init__(self, units=32):super().__init__()self.units = units# Create the state of the layer (weights)def build(self, input_shape):self.kernel = self.add_weight(shape=(input_shape[-1], self.units),initializer="glorot_uniform",trainable=True,name="kernel",)self.bias = self.add_weight(shape=(self.units,),initializer="zeros",trainable=True,name="bias",)# Defines the computationdef call(self, inputs):return ops.matmul(inputs, self.kernel) + self.bias# Instantiates the layer.
linear_layer = SimpleDense(4)# This will also call `build(input_shape)` and create the weights.
y = linear_layer(ops.ones((2, 2)))
assert len(linear_layer.weights) == 2# These weights are trainable, so they're listed in `trainable_weights`:
assert len(linear_layer.trainable_weights) == 2

当提到除了通过反向传播在训练过程中更新的可训练权重之外，层还可以具有非可训练权重。这些权重意味着在call()方法调用期间需要手动更新。以下是一个示例层，它计算其输入的累积和（running sum）：

class ComputeSum(Layer):def __init__(self, input_dim):super(ComputeSum, self).__init__()# Create a non-trainable weight.self.total = self.add_weight(shape=(),initializer="zeros",trainable=False,name="total",)def call(self, inputs):self.total.assign(self.total + ops.sum(inputs))return self.totalmy_sum = ComputeSum(2)
x = ops.ones((2, 2))
y = my_sum(x)assert my_sum.weights == [my_sum.total]
assert my_sum.non_trainable_weights == [my_sum.total]
assert my_sum.trainable_weights == []

weights属性

keras.layers.Layer.weights

层的所有权重变量的列表。

与 layer.variables 不同，这排除了度量状态和随机种子。

在 TensorFlow 的 Keras API 中，layer.weights 是一个常用的属性，它返回构成层权重的所有变量的列表。这些权重变量是在训练过程中通过反向传播进行更新的。而 layer.variables 属性则包括了层中的所有变量，不仅限于权重，还包括度量状态（例如用于计算损失或准确率的变量）和可能用于初始化层的随机种子等。

因此，当您想要获取并操作层的权重时，通常使用 layer.weights 而不是 layer.variables。

trainable_weights属性

keras.layers.Layer.trainable_weights

层的所有可训练权重变量的列表。

这些是在训练过程中由优化器更新的权重。

在TensorFlow的Keras框架中，当你创建一个神经网络层时，该层可能包含多个权重变量。这些权重变量中的一部分是可训练的，意味着在训练模型（即通过反向传播更新权重以最小化损失函数）时，它们会被优化器（如Adam、SGD等）更新。layer.trainable_weights属性返回的就是这些可训练权重变量的列表。
non_trainable_weights属性

keras.layers.Layer.non_trainable_weights

层的所有非可训练权重变量的列表。

这些是在训练过程中不应由优化器更新的权重。与 layer.non_trainable_variables 不同，这排除了度量状态和随机种子。

在TensorFlow的Keras框架中，一个层可能包含一些权重变量，这些变量在训练过程中不应被优化器更新。这些权重变量通常用于存储一些固定的参数或状态，如批量归一化层中的运行均值和方差。layer.non_trainable_weights属性返回的就是这些非可训练权重变量的列表。注意，与layer.non_trainable_variables不同，这个列表仅包含权重变量，而不包括度量状态或随机种子等其他非权重变量。

2、add_weight方法

Layer.add_weight(shape=None,initializer=None,dtype=None,trainable=True,autocast=True,regularizer=None,constraint=None,aggregation="mean",name=None,
)

参数说明

shape：变量的形状元组。必须完全定义（没有None条目）。如果未指定，则默认为()（即标量）。

initializer：用于填充初始变量值的初始化器对象，或者是内置初始化器的字符串名称（例如"random_normal"）。如果未指定，对于浮点变量默认为"glorot_uniform"，对于其他所有类型（例如int, bool）则默认为"zeros"。

dtype：要创建的变量的数据类型，例如"float32"。如果未指定，则默认为层的变量数据类型（如果层也未指定，则默认为"float32"）。

trainable：布尔值，指示该变量是否应通过反向传播进行训练，或者其更新是否由人工管理。默认为True。

autocast：布尔值，指示在访问变量时是否自动进行类型转换。默认为True。

regularizer：正则化器对象，用于在权重上应用惩罚项。这些惩罚项在优化过程中被添加到损失函数中。默认为None。

constraint：约束对象，在优化器更新后应用于变量，或者是内置约束的字符串名称。默认为None。

aggregation：字符串，可选值为’mean’、‘sum’、‘only_first_replica’。为变量添加注解，表示在编写自定义数据并行训练循环时，应使用哪种多副本聚合类型。

name：变量的字符串名称。对于调试很有用。

trainable属性

keras.layers.Layer.trainable

可设置的布尔值，表示此层是否应该可训练。

3、get_weights方法

Layer.get_weights()

返回层的权重值存入NumPy数组的列表。

4 、set_weights方法

Layer.set_weights(weights)

通过NumPy数组的列表设置层的权重值。

5、get_config方法

Model.get_config()

返回对象的配置。

对象的配置是一个Python字典（可序列化），包含了重新实例化该对象所需的信息。

6、add_loss方法

Layer.add_loss(loss)

可以在call()方法内部调用以添加一个标量损失。

在Keras的自定义层或模型中，有时我们可能需要在前向传播（即call()方法）中直接计算某些损失。例如，在正则化层中，我们可能想要根据层的权重或输出计算一个损失项。为了在训练过程中包含这个损失，我们通常会使用add_loss()方法。

add_loss()方法允许你在call()方法内部添加一个标量损失，这个损失将在反向传播时被考虑进去。这通常用于实现自定义的正则化、约束或其他需要在前向传播中计算的损失项。

class MyLayer(Layer):...def call(self, x):self.add_loss(ops.sum(x))return x

losses属性

keras.layers.Layer.losses

从add_loss、正则化器和子层中获取的标量损失列表。

在Keras中，当您使用add_loss方法在层或模型中添加损失时，这些损失会被收集起来并在训练过程中被考虑。同样，如果层或模型有正则化器（如权重衰减），那么这些正则化器产生的损失也会被添加到损失列表中。此外，如果层有子层（即嵌套在其他层中的层），那么这些子层的损失也会被包含在内。

这些标量损失在训练过程中会被累加，并用于计算总损失，然后用于反向传播以更新模型的权重。

注意：这些损失通常是在call方法或其他层/模型的方法中通过add_loss方法添加的，并且是在模型编译后、训练开始前计算的。在模型编译之前，losses列表可能为空或只包含由正则化器产生的损失。

这篇关于Keras深度学习框架基础第二讲：层接口(layers API)第二部分“基本层类”的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---