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 ноутбуках

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

• в __init__(), например, с помощью self.add_weight();
• в необязательном методе build(), который вызывается первым __call__() слоем и предоставляет форму(ы) входных данных, которая(ые) могут быть неизвестны на этапе инициализации.

Слои можно рекурсивно комбинировать: если вы назначите экземпляр слоя как атрибут другого слоя, внешний слой будет отслеживать веса, созданные внутренним слоем. Вложенные слои должны быть созданы в методе __init__() или build().

Пользователи просто инициализируют слой и затем используют его как вызываемый объект.

Рекомендуется, чтобы потомки Layer реализовывали следующие методы:

• __init__(): Определяет пользовательские атрибуты слоя и создаёт веса слоя, которые не зависят от форм входных данных, используя add_weight() или другое состояние.
• build(self, input_shape): Этот метод можно использовать для создания весов, которые зависят от формы(форм) входных данных, используя add_weight() или другое состояние. __call__() автоматически построит слой (если он ещё не построен), вызвав build().
• call(self, *args, **kwargs): Вызывается в __call__ после того, как убедились, что build() был вызван. call() выполняет логику применения слоя к входным аргументам. Два зарезервированных ключевых аргумента, которые вы можете использовать по желанию в call(): 1. training (булево значение, указывает, находится ли вызов в режиме инференции или обучения). 2. mask (булевый тензор, кодирующий замаскированные временные шаги на входе, используется, например, в слоях RNN). Типичная сигнатура для этого метода — call(self, inputs), и пользователь может добавить training и mask, если это необходимо для слоя.
• get_config(self): Возвращает словарь, содержащий конфигурацию, используемую для инициализации этого слоя. Если ключи отличаются от аргументов в __init__(), переопределите и from_config(self). Этот метод используется при сохранении слоя или модели, содержащей этот слой.

Примеры:

Вот базовый пример: слой с двумя переменными, w и b, который возвращает y = w . x + b. Он демонстрирует, как реализовать build() и call(). Переменные, заданные как атрибуты слоя, отслеживаются как веса слоёв (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 с помощью обратного распространения во время обучения, слои также могут иметь необучаемые веса. Эти веса предназначены для ручного обновления во время call(). Вот пример слоя, который вычисляет 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

Просмотреть исходный код

@classmethod
from_config(
    config
)

Создаёт слой из его конфигурации.

Этот метод является обратным к get_config и способен создать тот же слой из словаря конфигурации. Он не обрабатывает соединение слоёв (обрабатывается сетью) и веса (обрабатываются set_weights).

symbolic_call

Просмотреть исходный код

symbolic_call(
    *args, **kwargs
)