1、Input
keras.Input(shape=None,batch_size=None,dtype=None,sparse=None,batch_shape=None,name=None,tensor=None,
)參數說明
shape: 輸入張量的形狀。如果為None，則可以動態地指定形狀。batch_size: 批處理大小。如果為None，則可以動態地指定批處理大小。dtype: 輸入張量的數據類型。如果為None，則使用默認的數據類型。sparse: 是否將輸入視為稀疏張量。如果為True，則輸入將被轉換為稀疏張量。batch_shape: 批處理形狀。如果為None，則可以動態地指定批處理形狀。name: 輸入層的名稱。如果為None，則自動生成一個名稱。tensor: 直接傳遞一個已經存在的張量作為輸入。
示例
#輸入張量的形狀為(32,)，表示它包含32個特征
x = Input(shape=(32,))#定義一個全連接層（Dense）,全連接層的神經元數量為16
#activation='softmax'表示在輸出層使用softmax激活函數，通常用于多分類問題
y = Dense(16, activation='softmax')(x)#Model函數用于將輸入層和輸出層組合成一個神經網絡模型
model = Model(x, y)?
2、Dense layer
keras.layers.Dense(units,activation=None,use_bias=True,kernel_initializer="glorot_uniform",bias_initializer="zeros",kernel_regularizer=None,bias_regularizer=None,activity_regularizer=None,kernel_constraint=None,bias_constraint=None,**kwargs
)參數說明?
units: 輸出空間的維度，即神經元的數量。activation: 激活函數，用于在輸出上應用非線性變換。默認為None，表示不使用激活函數。use_bias: 布爾值，表示是否在輸出中添加偏置項。默認為True，表示添加偏置項。kernel_initializer: 權重矩陣的初始化方法。默認為"glorot_uniform"，表示使用Glorot均勻分布進行初始化。bias_initializer: 偏置向量的初始化方法。默認為"zeros"，表示使用零進行初始化。kernel_regularizer: 權重矩陣的正則化方法。默認為None，表示不使用正則化。bias_regularizer: 偏置向量的正則化方法。默認為None，表示不使用正則化。activity_regularizer: 輸出的正則化方法。默認為None，表示不使用正則化。kernel_constraint: 權重矩陣的約束方法。默認為None，表示不使用約束。bias_constraint: 偏置向量的約束方法。默認為None，表示不使用約束。**kwargs: 其他關鍵字參數，可以傳遞給其他函數或方法。
示例
# 創建一個簡單的神經網絡模型
model = Sequential()# 添加一個全連接層，輸入維度為10，輸出維度為5
model.add(Dense(units=5, input_dim=10, activation='relu'))# 編譯模型，設置損失函數、優化器和評估指標
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])# 打印模型結構
model.summary()?
3、Embedding layer?
keras.layers.Embedding(input_dim,output_dim,embeddings_initializer="uniform",embeddings_regularizer=None,embeddings_constraint=None,mask_zero=False,**kwargs
)參數說明
- input_dim：整數。詞匯表的大小，即最大整數索引+1
- output_dim：整數。密集嵌入的尺寸
- embeddings_initifier：embeddings矩陣的初始化器
- embeddings_regularizer：應用于嵌入矩陣的正則化函數
- embeddings_constraint：應用于嵌入矩陣的約束函數
- mask_zero：布爾值，無論輸入值0是否為應屏蔽的特殊“填充”值。當使用可能采用可變長度輸入的遞歸層時，這是有用的。如果為True，則模型中的所有后續層都需要支持遮罩，否則將引發異常。因此，如果mask_zero設置為True，則索引0不能在詞匯表中使用（input_dim應等于詞匯表+1的大小）
示例
#創建一個Sequential模型model
model = keras.Sequential()#向模型中添加了一個Embedding層。Embedding層用于將整數編碼轉換為固定大小的向量
#在這個例子中，詞匯表的大小為1000，每個輸入序列的長度為10，所以輸出的向量維度為64
model.add(keras.layers.Embedding(1000, 64, input_length=10))#生成一個隨機整數矩陣作為模型的輸入。
#這個矩陣的形狀為(32, 10)，表示有32個樣本，每個樣本的長度為10
input_array = np.random.randint(1000, size=(32, 10))#編譯模型，指定了優化器為RMSProp，損失函數為均方誤差（MSE）
model.compile('rmsprop', 'mse')#使用模型對輸入數據進行預測
output_array = model.predict(input_array)#輸出數組的形狀，即(32, 10, 64)
print(output_array)
)
