tf.keras.layers.InputLayer

Это класс, от которого наследуются все слои.

Наследуется от: Layer, Operation

tf.keras.layers.InputLayer(
    shape=None,
    batch_size=None,
    dtype=None,
    sparse=None,
    batch_shape=None,
    input_tensor=None,
    name=None,
    **kwargs
)

Используется в блокнотах

Слой — это вызываемый объект, который принимает на вход один или несколько тензоров и возвращает один или несколько тензоров. Он выполняет вычисления, определённые в методе call(), и имеет состояние (переменные весов). Состояние можно создать:

• в __init__(), например, с помощью self.add_weight();
• в необязательном методе build(), который вызывается при первом __call__() слоя и получает форму входных данных, которая могла быть неизвестна во время инициализации.

Слои можно рекурсивно компоновать: если назначить экземпляр Layer атрибутом другого Layer, внешний слой начнёт отслеживать веса, созданные внутренним слоем. Вложенные слои следует создавать в методе __init__() или build().

Пользователю достаточно создать экземпляр слоя и затем вызывать его как функцию.

Рекомендуется, чтобы потомки Layer реализовывали следующие методы:

• __init__(): определяет пользовательские атрибуты слоя и создаёт веса слоя, не зависящие от формы входных данных, с помощью add_weight() или другого состояния.
• build(self, input_shape): этот метод можно использовать для создания весов, зависящих от формы входных данных, с помощью add_weight() или другого состояния. __call__() автоматически создаёт слой (если он ещё не был создан), вызывая build().
• call(self, *args, **kwargs): вызывается в __call__ после проверки, что был вызван build(). call() выполняет логику применения слоя к входным аргументам. В call() можно дополнительно использовать два зарезервированных именованных аргумента: 1. training (логическое значение, указывающее, выполняется ли вызов в режиме вывода или обучения). 2. mask (логический тензор, кодирующий замаскированные временные шаги во входных данных; используется, например, в слоях RNN). Типичная сигнатура этого метода: call(self, inputs); при необходимости пользователь может добавить training и mask.
• get_config(self): возвращает словарь с конфигурацией, использованной для инициализации этого слоя. Если ключи отличаются от аргументов в __init__(), необходимо также переопределить from_config(self). Этот метод используется при сохранении слоя или модели, содержащей этот слой.

Примеры:

Простой пример: слой с двумя переменными, w и b, который возвращает y = w . x + b. В нём показано, как реализовать build() и call(). Переменные, заданные как атрибуты слоя, отслеживаются как веса слоя (в layer.weights).

class SimpleDense(Layer):
    def __init__(self, units=32):
        super().__init__()
        self.units = units

    # Create the state of the layer (weights)
    def build(self, input_shape):
        self.kernel = self.add_weight(
            shape=(input_shape[-1], self.units),
            initializer="glorot_uniform",
            trainable=True,
            name="kernel",
        )
        self.bias = self.add_weight(
            shape=(self.units,),
            initializer="zeros",
            trainable=True,
            name="bias",
        )

    # Defines the computation
    def call(self, inputs):
        return ops.matmul(inputs, self.kernel) + self.bias

# Instantiates the layer.
linear_layer = SimpleDense(4)

# This will also call `build(input_shape)` and create the weights.
y = linear_layer(ops.ones((2, 2)))
assert len(linear_layer.weights) == 2

# These weights are trainable, so they're listed in `trainable_weights`:
assert len(linear_layer.trainable_weights) == 2

Помимо обучаемых весов, обновляемых обратным распространением ошибки во время обучения, у слоёв могут быть и необучаемые веса. Предполагается, что эти веса обновляются вручную во время call(). Ниже приведён пример слоя, вычисляющего текущую сумму входных данных:

class ComputeSum(Layer):

  def __init__(self, input_dim):
      super(ComputeSum, self).__init__()
      # Create a non-trainable weight.
      self.total = self.add_weight(
        shape=(),
        initializer="zeros",
        trainable=False,
        name="total",
      )

  def call(self, inputs):
      self.total.assign(self.total + ops.sum(inputs))
      return self.total

my_sum = ComputeSum(2)
x = ops.ones((2, 2))
y = my_sum(x)

assert my_sum.weights == [my_sum.total]
assert my_sum.non_trainable_weights == [my_sum.total]
assert my_sum.trainable_weights == []

Методы

from_config

Посмотреть исходный код

@classmethod
from_config(
    config
)

Создаёт слой на основе его конфигурации.

Этот метод является обратным к get_config и позволяет создать тот же слой из словаря конфигурации. Он не обрабатывает связи между слоями (это делает Network) и веса (это делает set_weights).

symbolic_call

Посмотреть исходный код

symbolic_call(
    *args, **kwargs
)