[source]

LeakyReLU

  1. keras.layers.LeakyReLU(alpha=0.3)

带泄漏的 ReLU。

当神经元未激活时,它仍允许赋予一个很小的梯度:f(x) = alpha * x for x < 0,f(x) = x for x >= 0.

输入尺寸

可以是任意的。如果将该层作为模型的第一层,则需要指定 input_shape 参数(整数元组,不包含样本数量的维度)。

输出尺寸

与输入相同。

参数

  • alpha: float >= 0。负斜率系数。

参考文献

[source]

PReLU

  1. keras.layers.PReLU(alpha_initializer='zeros', alpha_regularizer=None, alpha_constraint=None, shared_axes=None)

参数化的 ReLU。

形式:f(x) = alpha * x for x < 0,f(x) = x for x >= 0,其中 alpha 是一个可学习的数组,尺寸与 x 相同。

输入尺寸

可以是任意的。如果将这一层作为模型的第一层,则需要指定 input_shape 参数(整数元组,不包含样本数量的维度)。

输出尺寸

与输入相同。

参数

  • alpha_initializer: 权重的初始化函数。
  • alpha_regularizer: 权重的正则化方法。
  • alpha_constraint: 权重的约束。
  • shared_axes: 激活函数共享可学习参数的轴。例如,如果输入特征图来自输出形状为 (batch, height, width, channels)的 2D 卷积层,而且你希望跨空间共享参数,以便每个滤波器只有一组参数,可设置 shared_axes=[1, 2]

参考文献

[source]

ELU

  1. keras.layers.ELU(alpha=1.0)

指数线性单元。

形式:f(x) = alpha * (exp(x) - 1.) for x < 0,f(x) = x for x >= 0.

输入尺寸

可以是任意的。如果将这一层作为模型的第一层,则需要指定 input_shape 参数(整数元组,不包含样本数量的维度)。

输出尺寸

与输入相同。

参数

  • alpha: 负因子的尺度。

参考文献

[source]

ThresholdedReLU

  1. keras.layers.ThresholdedReLU(theta=1.0)

带阈值的修正线性单元。

形式:f(x) = x for x > theta,f(x) = 0 otherwise.

输入尺寸

可以是任意的。如果将这一层作为模型的第一层,则需要指定 input_shape 参数(整数元组,不包含样本数量的维度)。

输出尺寸

与输入相同。

参数

  • theta: float >= 0。激活的阈值位。

参考文献

[source]

Softmax

  1. keras.layers.Softmax(axis=-1)

Softmax 激活函数。

输入尺寸

可以是任意的。如果将这一层作为模型的第一层,则需要指定 input_shape 参数(整数元组,不包含样本数量的维度)。

输出尺寸

与输入相同。

参数

  • axis: 整数,应用 softmax 标准化的轴。

[source]

ReLU

  1. keras.layers.ReLU(max_value=None, negative_slope=0.0, threshold=0.0)

ReLU 激活函数。

使用默认值时,它返回逐个元素的 max(x,0)

否则:

  • 如果 x >= max_value,返回 f(x) = max_value
  • 如果 threshold <= x < max_value,返回 f(x) = x,
  • 否则,返回 f(x) = negative_slope * (x - threshold)

输入尺寸

可以是任意的。如果将这一层作为模型的第一层,则需要指定 input_shape 参数(整数元组,不包含样本数量的维度)。

输出尺寸

与输入相同。

参数

  • max_value: 浮点数,最大的输出值。
  • negative_slope: float >= 0. 负斜率系数。
  • threshold: float。"thresholded activation" 的阈值。