layer.get_weights():用於返回層的權重
layer.set_weights(weights):用於從numpy array中將權重載入到該層中，要求numpy array的形狀與layer.get_weights()返回的形狀相同
layer.get_config():用於返回當前層配置資訊的字典，層也可以由配置資訊重構
對於只有乙個計算節點的層來說，還由：
layer.input
layer.output
layer.input_shape
layer.output_shape
dense
是常見的全連線層，原型如下：
keras.layers.core.dense（units,activation=none,use_bias=true,kernel_initializer=『glorot_uniform』,bias_initialize=『zeros』,kernel_regularizer=none,bias_regularizer=none,activity_regularize=none,kernal_constraint=none,bias_constraint=none）
units:大於0的整數，表示該層的輸出維度
activation:啟用函式，如果不指定該引數，則相當於使用線性啟用函式
activation
啟用層，用來對乙個層的輸出啟用函式，原型如下
keras.layers.core.activation（activation）
dropout
為輸入資料施加dropout，該層能夠在訓練過程中每次更新引數時，隨機斷開一定百分比（rate）的輸入神經元，用於防止過擬合。原型如下：
keras.layers.core.dropout（rate，noise_shape=none.seed=none）
rate:0~1的浮點數，用於控制需要斷開的神經元比例
noise_shape:整數張量，為將要應用在輸入上的二值dropout mask的shape。
seed：整數，使用的隨機數種子
flatten
用來將輸入"壓平",即把多維的輸入一維化，常用在從卷積層到全連線層的過渡，flatten不影響batch的大小。原型如下：
keras.layers.core.flatten（）
conv1d
一維卷積層，用於在一維輸入訊號上進行鄰域濾波。原型如下：
keras.layers.convolutional.conv1d（filiters,kernel_size,strides=1,padding=『valid』,dilation_rate=1,activation=none,use_bias=true,kernal_initializer=『glorot_uniform』,bias_initializer=『zeros』,kernel_regularizer=none,bias_regularizer=none,activity_regularizer=none,kernel_constraint=none,bias_constraint=none）
filiter：卷積核的數目，也決定了輸出的維度
kernel_size:整數或由單個整數構成的list/tuple，卷積核的空域或時域窗長度
strides:整數或由單個整數構成的list/tuple，為卷積的步長。任何不為1的strides均與任何不為1的dilation_rata均不相容。
padding:補0策略，為[valid]、[same]或[causal]。
conv2d
二維卷積層，即對影象的空域卷積。該層對二維輸入進行滑動窗卷積。原型如下：
keras.layers.convolutional.conv2d（filiters,kernel_size,strides=（1,1）,padding=『valid』,dilation_rate=（1,1）,activation=none,use_bias=true,kernal_initializer=『glorot_uniform』,bias_initializer=『zeros』,kernel_regularizer=none,bias_regularizer=none,activity_regularizer=none,kernel_constraint=none,bias_constraint=none）
conv3d
三為卷積對三維的輸入進行滑動窗卷積。原型如下：
keras.layers.convolutional.conv3d（filiters,kernel_size,strides=（1,1,1).padding=『valid』,dilation_rate=（1,1,1）,activation=none,use_bias=true,kernal_initializer=『glorot_uniform』,bias_initializer=『zeros』,kernel_regularizer=none,bias_regularizer=none,activity_regularizer=none,kernel_constraint=none,bias_constraint=none）
maxpooling1d
對時域1d訊號進行最大值池化。原型如下：
keras.layers.pooling.maxpooling1d（pool_size=2,strides=none,padding=『valid』）
pool_size:整數，表示池化視窗大小
strides：整數或none，下取樣因子。
padding:[valid]或[same]
maxpooling2d
為空域訊號進行最大值池化。原型如下：
keras.layers.pooling.maxpooling2d（pool_size=（2,2）,strides=none,padding=『valid』,data_format=none）
pool_size：整數或長為2的整數tuple，代表在兩個方向（豎直，水平）上的下取樣因子，如取（2,2）將使在兩個維度上均變為原長的一半。該值為整數，表示各個維度值相同且為該數字。
strides：整數或長為2的整數tuple，或者none，步長值。
maxpooling3d
為3d訊號（空域或時空域）施加最大值池化。
keras.layers.pooling.maxpooling3d（pool_size=（2,2,2）,strides=none,padding=『valid』,data_format=none）
需要注意的是，該層只能在使用theano為後端時可用。
pool_size：整數或長為3的整數tuple，代表在三個維度（豎直，水平）上的下取樣因子，如取（2,2,2）將使在每個維度上均變為原長的一半。改值為整數，表示各個維度值相同且為該數字。
strides：整數或長為3的整數tuple，或者none，步長值。
神經網路結構
定義 在機器學習和認知科學領域，人工神經網路 artificial neural network，縮寫ann 簡稱神經網路 neural network，縮寫nn 或類神經網路，是一 種模仿生物神經網路的結構和功能的計算模型，用於對函式進行估計或近似。神經網路的種類 基礎神經網路 單層感知器，線性神...
卷積神經網路結構
卷積神將網路的計算公式為 n w f 2p s 1 其中n 輸出大小 w 輸入大小 f 卷積核大小 p 填充值的大小 s 步長大小 即與用和原輸入層大小 深度完全一致的卷積核進行卷積，形成11x的全連線層 即展開 其中x由卷積核的層數決定。寫 時也可以直接展開為一維 不改變輸入層的大小，但改變輸入和...
Caffe神經網路結構彙總
自2012年alexnet贏得了imagenet競賽以來，深度學習 神經網路 得到了飛速發展，產生了許多的神經網路結構，本文主要總結caffe中使用的神經網路 分類的神經網路 本文的神經網路作者都使用caffe訓練過，並在kaggle的intel癌症 比賽中進行了測試與使用 top 8 alexne...