--- ### **核心层（Core Layers）** | **层名称** | **作用** | |------------------------|---------------------------------------------------------------------------------------------| | **Input** | 定义模型的输入张量，指定输入形状和数据类型。 | | **InputSpec** | 描述输入张量的约束（如形状、数据类型），用于模型验证。 | | **Dense** | 全连接层，执行线性变换（`Wx + b`）并通过激活函数输出。 | | **EinsumDense** | 使用爱因斯坦求和约定（Einsum）定义的自定义线性变换层，适用于复杂张量操作。 | | **Activation** | 对输入应用指定的激活函数（如 `ReLU`、`sigmoid`）。 | | **Embedding** | 将整数索引映射为密集向量（如词嵌入）。 | | **Masking** | 屏蔽输入序列中的填充值（如用 `0` 填充的时间步），防止影响模型计算。 | | **Lambda** | 将任意表达式包装为层，用于自定义操作（如归一化、简单变换）。 | | **Identity** | 直接返回输入，用于占位或残差连接中的恒等映射。 | --- ### **卷积层（Convolution Layers）** | **层名称** | **作用** | |---------------------------|---------------------------------------------------------------------------------------------| | **Conv1D/2D/3D** | 一维/二维/三维卷积，提取局部特征（如时序信号、图像边缘）。 | | **SeparableConv1D/2D** | 深度可分离卷积，减少参数量，提升计算效率。 | | **DepthwiseConv1D/2D** | 深度卷积，每个输入通道独立卷积，用于轻量化模型。 | | **Conv1D/2D/3DTranspose** | 转置卷积（反卷积），用于上采样（如生成图像或分割任务）。 | --- ### **池化层（Pooling Layers）** | **层名称** | **作用** | |-----------------------------|---------------------------------------------------------------------------------------------| | **MaxPooling1D/2D/3D** | 最大池化，保留显著特征并降低维度。 | | **AveragePooling1D/2D/3D** | 平均池化，平滑特征并降低维度。 | | **GlobalMaxPooling1D/2D/3D**| 全局最大池化，将每个通道的最大值输出为标量（替代全连接层）。 | | **GlobalAveragePooling1D/2D/3D** | 全局平均池化，将每个通道的平均值输出为标量。 | --- ### **循环层（Recurrent Layers）** | **层名称** | **作用** | |-------------------------|---------------------------------------------------------------------------------------------| | **LSTM** | 长短期记忆网络，处理序列数据，解决长程依赖问题。 | | **LSTM Cell** | 单个 LSTM 单元，用于自定义循环网络构建。 | | **GRU** | 门控循环单元，简化版 LSTM，计算效率更高。 | | **GRU Cell** | 单个 GRU 单元，用于自定义循环网络构建。 | | **SimpleRNN** | 简单循环网络，基础循环结构（易受梯度消失影响）。 | | **TimeDistributed** | 将层独立应用于时序数据的每个时间步（如逐帧处理视频）。 | | **Bidirectional** | 双向循环层，结合前向和后向序列信息。 | | **ConvLSTM1D/2D/3D** | 结合卷积与 LSTM，同时捕捉时空特征（如视频预测）。 | | **Base RNN** | 自定义循环层的基础类。 | | **SimpleRNN Cell** | 单个简单循环单元。 | | **StackedRNN Cell** | 堆叠多个循环单元，构建深层循环网络。 | --- ### **预处理层（Preprocessing Layers）** | **层名称** | **作用** | |-------------------------------------|---------------------------------------------------------------------------------------------| | **Text Preprocessing** | 文本标准化、分词、向量化（如 `TextVectorization`）。 | | **Numerical Preprocessing** | 数值特征标准化、分桶、归一化（如 `Normalization`）。 | | **Categorical Preprocessing** | 类别特征编码（如独热编码、哈希编码）。 | | **Image Preprocessing** | 图像调整大小、标准化（如 `Resizing`、`Rescaling`）。 | | **Image Augmentation** | 图像增强（如随机裁剪、旋转、翻转）。 | | **Audio Preprocessing** | 音频特征提取（如 MFCC、频谱图）。 | --- ### **归一化层（Normalization Layers）** | **层名称** | **作用** | |------------------------|---------------------------------------------------------------------------------------------| | **BatchNormalization** | 对批次维度归一化，加速训练并稳定梯度。 | | **LayerNormalization** | 对特征维度归一化，适用于变长输入（如 Transformer）。 | | **UnitNormalization** | 对样本归一化为单位范数（常用于向量空间模型）。 | | **GroupNormalization** | 将通道分组后归一化，替代批归一化（适用于小批量或动态形状）。 | --- ### **正则化层（Regularization Layers）** | **层名称** | **作用** | |---------------------------|---------------------------------------------------------------------------------------------| | **Dropout** | 随机丢弃神经元输出，防止过拟合。 | | **SpatialDropout1D/2D/3D**| 按通道丢弃整个特征图（适用于卷积层）。 | | **GaussianDropout** | 添加高斯噪声（均值为 1），模拟 Dropout 效果。 | | **AlphaDropout** | 保持输入均值和方差不变的特殊 Dropout（适用于自归一化网络）。 | | **GaussianNoise** | 添加高斯噪声，增强模型鲁棒性。 | | **ActivityRegularization**| 对层的输出添加 L1/L2 正则化。 | --- ### **注意力层（Attention Layers）** | **层名称** | **作用** | |-------------------------|---------------------------------------------------------------------------------------------| | **GroupQueryAttention** | 分组查询注意力机制，优化多头注意力的计算效率。 | | **MultiHeadAttention** | 多头注意力，并行学习不同子空间的注意力权重（如 Transformer）。 | | **Attention** | 通用注意力机制，计算输入序列间的相关性。 | | **AdditiveAttention** | 加性注意力，通过可学习参数计算注意力得分（如 Seq2Seq 模型）。 | --- ### **重塑层（Reshaping Layers）** | **层名称** | **作用** | |-------------------------|---------------------------------------------------------------------------------------------| | **Reshape** | 调整张量形状（如将 `(batch, 28, 28)` 转换为 `(batch, 784)`）。 | | **Flatten** | 将多维张量展平为一维（用于全连接层前的输入）。 | | **RepeatVector** | 将输入重复多次以匹配序列长度（如将标量扩展为序列）。 | | **Permute** | 重新排列张量维度顺序（如将 `(batch, H, W, C)` 转换为 `(batch, C, H, W)`）。 | | **Cropping1D/2D/3D** | 裁剪输入张量的边缘部分（如去除图像边界冗余信息）。 | | **UpSampling1D/2D/3D** | 上采样输入（如插值法扩大特征图分辨率）。 | | **ZeroPadding1D/2D/3D** | 在输入张量边缘填充零（如保持卷积后特征图尺寸）。 | --- ### **融合层（Merging Layers）** | **层名称** | **作用** | |-----------------|---------------------------------------------------------------------------------------------| | **Concatenate** | 沿指定轴拼接多个张量（如多模态特征融合）。 | | **Average** | 对多个输入逐元素取平均。 | | **Maximum** | 对多个输入逐元素取最大值。 | | **Minimum** | 对多个输入逐元素取最小值。 | | **Add** | 对多个输入逐元素相加（用于残差连接）。 | | **Subtract** | 对两个输入逐元素相减。 | | **Multiply** | 对多个输入逐元素相乘。 | | **Dot** | 计算两个输入的点积（如计算相似度）。 | --- ### **激活层（Activation Layers）** | **层名称** | **作用** | |-----------------|---------------------------------------------------------------------------------------------| | **ReLU** | 修正线性单元，输出 `max(0, x)`（缓解梯度消失）。 | | **Softmax** | 将输出转换为概率分布（用于多分类最后一层）。 | | **LeakyReLU** | 带泄漏系数的 ReLU（解决神经元“死亡”问题）。 | | **PReLU** | 参数化 ReLU，泄漏系数可学习。 | | **ELU** | 指数线性单元，输出负值时有非零梯度。 | --- ### **后端特定层（Backend-Specific Layers）** | **层名称** | **作用** | |-------------------------|---------------------------------------------------------------------------------------------| | **TorchModuleWrapper** | 封装 PyTorch 模块，使其兼容 Keras API。 | | **TensorFlow SavedModel** | 加载 TensorFlow SavedModel 格式的预训练模型。 | | **JaxLayer** | 封装 JAX 函数，使其兼容 Keras。 | | **FlaxLayer** | 封装 Flax（JAX 神经网络库）模块，使其兼容 Keras。 | ---

Keras layers API介绍