Единицы:
Количество «нейронов», или «клеток», или того, что слой имеет внутри.
Это свойство каждого слоя, и да, оно связано с выходной формой (как мы увидим позже). На вашей картинке, кроме входного слоя, который концептуально отличается от других слоев, у вас есть:
- Скрытый слой 1: 4 единицы (4 нейрона)
- Скрытый слой 2: 4 единицы
- Последний слой: 1 единица
Формы
Фигуры являются следствием конфигурации модели. Фигуры - это кортежи, представляющие, сколько элементов имеет массив или тензор в каждом измерении.
Пример: форма (30,4,10)означает массив или тензор с 3 измерениями, содержащими 30 элементов в первом измерении, 4 во втором и 10 в третьем, всего 30 * 4 * 10 = 1200 элементов или чисел.
Форма ввода
То, что течет между слоями, является тензором. Тензоры можно рассматривать как матрицы, с формами.
В Keras сам входной слой - это не слой, а тензор. Это начальный тензор, который вы отправляете на первый скрытый слой. Этот тензор должен иметь ту же форму, что и ваши тренировочные данные.
Пример: если у вас есть 30 изображений размером 50x50 пикселей в RGB (3 канала), форма ваших входных данных будет (30,50,50,3). Тогда ваш тензор входного слоя должен иметь эту форму (см. Подробности в разделе «формы в керасе»).
Каждый тип слоя требует ввода с определенным количеством измерений:
Dense слои требуют ввода как (batch_size, input_size)
- или
(batch_size, optional,...,optional, input_size)
- 2D сверточным слоям нужны входные данные в виде:
- при использовании
channels_last:(batch_size, imageside1, imageside2, channels)
- при использовании
channels_first:(batch_size, channels, imageside1, imageside2)
- Использование 1D сверток и повторяющихся слоев
(batch_size, sequence_length, features)
Теперь форма ввода является единственной, которую вы должны определить, потому что ваша модель не может ее знать. Только вы знаете это, основываясь на ваших данных обучения.
Все остальные формы рассчитываются автоматически на основе единиц и особенностей каждого слоя.
Отношение между формами и единицами - выходная форма
При заданной входной форме все остальные формы являются результатами вычислений слоев.
«Единицы» каждого слоя будут определять выходную форму (форму тензора, который создается слоем и который будет входом следующего слоя).
Каждый тип слоя работает определенным образом. Плотные слои имеют форму вывода, основанную на «единицах», сверточные слои имеют форму вывода, основанную на «фильтрах». Но это всегда основано на некотором свойстве слоя. (Смотрите документацию для каждого слоя)
Давайте покажем, что происходит со «плотными» слоями, тип которых показан на вашем графике.
Плотный слой имеет выходную форму (batch_size,units). Так что, да, свойство слоя, также определяющее выходную форму.
- Скрытый слой 1: 4 единицы, выход формы:
(batch_size,4).
- Скрытый слой 2: 4 единицы, выход формы:
(batch_size,4).
- Последний слой: 1 единица, выходная форма:
(batch_size,1).
Веса
Веса будут полностью автоматически рассчитываться на основе входных и выходных форм. Опять же, каждый тип слоя работает определенным образом. Но веса будут матрицей, способной преобразовывать входную форму в выходную форму с помощью некоторой математической операции.
В плотном слое веса умножают все входные данные. Это матрица с одним столбцом на вход и одной строкой на единицу, но это часто не важно для базовых работ.
На изображении, если бы на каждой стрелке был номер умножения, все числа вместе образовали бы матрицу весов.
Формы в Керасе
Ранее я привел пример 30 изображений, 50х50 пикселей и 3 каналов, имеющих форму ввода (30,50,50,3).
Поскольку форма ввода является единственной, которую вам нужно определить, Keras потребует ее на первом слое.
Но в этом определении Keras игнорирует первое измерение, которое является размером партии. Ваша модель должна иметь возможность работать с любым размером партии, поэтому вы определяете только другие измерения:
input_shape = (50,50,3)
#regardless of how many images I have, each image has this shape
При желании или когда это требуется определенными моделями, вы можете передать форму, содержащую размер пакета, с помощью batch_input_shape=(30,50,50,3)или batch_shape=(30,50,50,3). Это ограничивает ваши возможности обучения этим уникальным размером партии, поэтому его следует использовать только тогда, когда это действительно необходимо.
В любом случае, тензоры в модели будут иметь размерность партии.
Таким образом, даже если вы использовали input_shape=(50,50,3), когда keras отправляет вам сообщения или когда вы печатаете сводку модели, она будет отображаться (None,50,50,3).
Первое измерение - это размер пакета, Noneпотому что он может варьироваться в зависимости от того, сколько примеров вы приводите для обучения. (Если вы определили размер пакета явно, вместо него появится номер, который вы определили None)
Кроме того, в продвинутых работах, когда вы фактически воздействуете непосредственно на тензоры (например, внутри слоев Lambda или в функции потерь), размер размера партии будет там.
- Итак, при определении формы ввода вы игнорируете размер пакета:
input_shape=(50,50,3)
- При выполнении операций непосредственно над тензорами форма снова будет
(30,50,50,3)
- Когда Keras отправляет вам сообщение, форма будет
(None,50,50,3)или (30,50,50,3), в зависимости от того, какой тип сообщения он отправляет вам.
Dim
И в конце концов, что это dim?
Если ваша входная форма имеет только одно измерение, вам не нужно указывать ее как кортеж, вы даете ее input_dimкак скалярное число.
Итак, в вашей модели, где ваш входной слой имеет 3 элемента, вы можете использовать любой из этих двух:
input_shape=(3,) - Запятая необходима, когда у вас есть только одно измерение input_dim = 3
Но когда мы имеем дело непосредственно с тензорами, часто dimссылаются на то, сколько измерений имеет тензор. Например, тензор с формой (25,10909) имеет 2 измерения.
Определение вашего изображения в Керасе
У Keras есть два способа сделать это: Sequentialмодели или функциональный API Model. Я не люблю использовать последовательную модель, позже вам все равно придется ее забыть, потому что вам понадобятся модели с ветвями.
PS: здесь я проигнорировал другие аспекты, такие как функции активации.
С последовательной моделью :
from keras.models import Sequential
from keras.layers import *
model = Sequential()
#start from the first hidden layer, since the input is not actually a layer
#but inform the shape of the input, with 3 elements.
model.add(Dense(units=4,input_shape=(3,))) #hidden layer 1 with input
#further layers:
model.add(Dense(units=4)) #hidden layer 2
model.add(Dense(units=1)) #output layer
С функциональной моделью API :
from keras.models import Model
from keras.layers import *
#Start defining the input tensor:
inpTensor = Input((3,))
#create the layers and pass them the input tensor to get the output tensor:
hidden1Out = Dense(units=4)(inpTensor)
hidden2Out = Dense(units=4)(hidden1Out)
finalOut = Dense(units=1)(hidden2Out)
#define the model's start and end points
model = Model(inpTensor,finalOut)
Формы тензоров
Помните, что при определении слоев вы игнорируете размеры пакетов:
- inpTensor:
(None,3)
- hidden1Out:
(None,4)
- hidden2Out:
(None,4)
- finalOut:
(None,1)
input_shape=параметре: к какому измерению относится первое значение аргумента? Я вижу такие вещиinput_shape=(728, ), так что, на мой взгляд, первый аргумент относится к столбцам (фиксированный), а второй к строкам (свободно варьировать). Но как это соотносится с порядком строк в Python?