► Keras 3 API 文档 / Keras 层 API
Keras 层 API
层是 Keras 中神经网络的基本构建块。一个层由张量输入-张量输出计算函数（层的 call 方法）和一些状态组成，这些状态保存在 TensorFlow 变量中（层的权重）。
层实例是可调用的，很像函数
import keras
from keras import layers
layer = layers.Dense(32, activation='relu')
inputs = keras.random.uniform(shape=(10, 20))
outputs = layer(inputs)
但与函数不同，层维护状态，当层在训练期间接收到数据时更新状态，并存储在 layer.weights 中
>>> layer.weights
[<KerasVariable shape=(20, 32), dtype=float32, path=dense/kernel>,
<KerasVariable shape=(32,), dtype=float32, path=dense/bias>]
创建自定义层
虽然 Keras 提供了范围广泛的内置层，但它们无法涵盖所有可能的用例。创建自定义层非常常见，而且非常容易。
请参阅指南 通过子类化创建新层和模型 以获得全面的概述，并参阅 基础 Layer 类 的文档。
层 API 概述
基础层类
- Layer 类
- weights 属性
- trainable_weights 属性
- non_trainable_weights 属性
- add_weight 方法
- trainable 属性
- get_weights 方法
- set_weights 方法
- get_config 方法
- add_loss 方法
- losses 属性
层激活
- celu 函数
- elu 函数
- exponential 函数
- gelu 函数
- glu 函数
- hard_shrink 函数
- hard_sigmoid 函数
- hard_silu 函数
- hard_tanh 函数
- leaky_relu 函数
- linear 函数
- log_sigmoid 函数
- log_softmax 函数
- mish 函数
- relu 函数
- relu6 函数
- selu 函数
- sigmoid 函数
- silu 函数
- softmax 函数
- soft_shrink 函数
- softplus 函数
- softsign 函数
- sparse_plus 函数
- sparsemax 函数
- squareplus 函数
- tanh 函数
- tanh_shrink 函数
- threshold 函数
层权重初始化器
- RandomNormal 类
- RandomUniform 类
- TruncatedNormal 类
- Zeros 类
- Ones 类
- GlorotNormal 类
- GlorotUniform 类
- HeNormal 类
- HeUniform 类
- Orthogonal 类
- Constant 类
- VarianceScaling 类
- LecunNormal 类
- LecunUniform 类
- IdentityInitializer 类
层权重正则化器
层权重约束
核心层
卷积层
- Conv1D 层
- Conv2D 层
- Conv3D 层
- SeparableConv1D 层
- SeparableConv2D 层
- DepthwiseConv1D 层
- DepthwiseConv2D 层
- Conv1DTranspose 层
- Conv2DTranspose 层
- Conv3DTranspose 层
池化层
- MaxPooling1D 层
- MaxPooling2D 层
- MaxPooling3D 层
- AveragePooling1D 层
- AveragePooling2D 层
- AveragePooling3D 层
- GlobalMaxPooling1D 层
- GlobalMaxPooling2D 层
- GlobalMaxPooling3D 层
- GlobalAveragePooling1D 层
- GlobalAveragePooling2D 层
- GlobalAveragePooling3D 层
循环层
- LSTM 层
- LSTM 单元层
- GRU 层
- GRU 单元层
- SimpleRNN 层
- TimeDistributed 层
- Bidirectional 层
- ConvLSTM1D 层
- ConvLSTM2D 层
- ConvLSTM3D 层
- Base RNN 层
- Simple RNN 单元层
- Stacked RNN 单元层
预处理层
归一化层
正则化层
- Dropout 层
- SpatialDropout1D 层
- SpatialDropout2D 层
- SpatialDropout3D 层
- GaussianDropout 层
- AlphaDropout 层
- GaussianNoise 层
- ActivityRegularization 层
注意力机制层
重塑层
- Reshape 层
- Flatten 层
- RepeatVector 层
- Permute 层
- Cropping1D 层
- Cropping2D 层
- Cropping3D 层
- UpSampling1D 层
- UpSampling2D 层
- UpSampling3D 层
- ZeroPadding1D 层
- ZeroPadding2D 层
- ZeroPadding3D 层