tf.keras.layers.PReLU

Слой активации параметрического выпрямленного линейного блока (PReLU).

Наследует от: Layer, Operation

tf.keras.layers.PReLU(
    alpha_initializer='Zeros',
    alpha_regularizer=None,
    alpha_constraint=None,
    shared_axes=None,
    **kwargs
)

Формула:

f(x) = alpha * x for x < 0
f(x) = x for x >= 0

где alpha — обучаемый массив той же формы, что и x.

Аргументы
`alpha_initializer`	Функция-инициализатор для весов.
`alpha_regularizer`	Регуляризатор для весов.
`alpha_constraint`	Ограничение для весов.
`shared_axes`	Оси, вдоль которых нужно совместно использовать обучаемые параметры функции активации. Например, если входящие карты признаков получены в результате двумерной свёртки с выходной формой `(batch, height, width, channels)` и вы хотите совместно использовать параметры в пространстве, чтобы у каждого фильтра был только один набор параметров, задайте `shared_axes=[1, 2]`.
`**kwargs`	Именованные аргументы базового слоя, например `name` и `dtype`.

Атрибуты
`input`	Возвращает входной тензор (тензоры) символьной операции. Возвращает только тензор (тензоры), соответствующий первому вызову операции.
`output`	Возвращает выходной тензор (тензоры) слоя. Возвращает только тензор (тензоры), соответствующий первому вызову операции.

Методы

`from_config`

Просмотреть исходный код

@classmethod
from_config(
    config
)

Создаёт слой на основе его конфигурации.

Этот метод является обратным по отношению к get_config и позволяет создать экземпляр того же слоя на основе словаря конфигурации. Он не обрабатывает связи между слоями (этим занимается Network) и веса (этим занимается set_weights).

Аргументы
`config`	Словарь Python, обычно являющийся результатом вызова get_config.

Возвращает
Экземпляр слоя.

`symbolic_call`

Просмотреть исходный код

symbolic_call(
    *args, **kwargs
)

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/keras/layers/PReLU