「現在的深度學習無非就是堆神經網路模型」這句話既對也不全對，深度學習能夠取得如此大的進步在於神經網路的層數增加。但對模型並不是把別人已經做好的模型在自己的機子上跑一下，或者簡單堆疊就可以了，而是要有自己的想法產生自己的改進模型。
keras提供了自定義層的程式設計正規化，但是很多書都沒有介紹，可能是一般的應用用不到。另一方面效果不一定好，需要有一定的理**底才能設計新的模型。手頭剛好需要設計乙個自定義層模型，現將方法記錄如下。
程式設計正規化
下面展示一些 `內聯**片`。
# 自定義層
#自定義層繼承自keras.engine.topology的layer類
#自定義layer中需要定義至少三個函式__init__、build、call、如果返回形狀發生了改變需要定義compute_output_shape層
class
mylayer
(layer)
:#__init__定義了需要初始化的引數
def__init__
(self, activation =
none
,**kwargs)
: self.activation = activation
super
(interactivate, self)
.__init__(
**kwargs)
#build函式定義了權重等值
defbuild
(self, input_shape)
: self.shape = input_shape
self.w = self.add_weight(name =
"w",shape =
(input_shape[0]
, input_shape[1]
), initializer=
"normal"
,trainable=
true
)super
(interactivate, self)
.build(input_shape)
#call函式定義了具體的計算過程,x為輸入值（一般為上一層計算結果）
defcall
(self, x)
: front_tanh = k.tanh(x)
return front_tanh
#注意：如果輸出形狀不變，則不需要；如果輸出的形狀發生改變，此處一定要標明
defcompute_output_shape
(self, input_shape)
:return
(input_shape[0]
,165
,165
)
1、在主函式中盡量不要用keras.backend的各種操作，而應該將其封裝為層；
2、輸入一般都是單一輸入，我暫時還不知道如何讀取多個輸入。
3、一定要注意各層的輸入及輸出形狀，否則無法執行。
建議：
Keras 自定義層
keras自定義或者重寫層，需要實現三個方法 問題 參考 keras 自定義層 最後舉乙個conditional layer normalization的例子 基於conditional layer normalization的條件文字生成 自定義層需要實現三個方法 class layernorma...
keras自定義層
keras學習筆記 二 keras實現自定義層 例1，參考博文1中的自定義層attentiondecoder。def build self,input shape for model details that correspond to the matrices here.self.batch si...
神經網路 keras中的層
core highway層 highway層建立全連線的highway網路，這是lstm在前饋神經網路中的推廣 convolution separableconvolution2d層 該層是對2d輸入的可分離卷積。可分離卷積首先按深度方向進行卷積 對每個輸入通道分別卷積 然後逐點進行卷積，將上一步的...