Keras 提供了丰富的层（Layer）类型，适用于不同场景的深度学习模型构建。以下是常见层的分类与简要说明：

基础层

  • Dense 📦
    全连接层，适用于神经网络的隐藏层或输出层。

    Dense
    示例：`Dense(units=64, activation='relu')`

  • Conv2D 🎨
    二维卷积层，用于图像处理任务。

    Conv2D
    示例：`Conv2D(filters=32, kernel_size=(3,3))`

正则化层

  • BatchNormalization ⚖️
    批量归一化层，加速训练并减少对初始化的依赖。

    BatchNormalization
    示例：`BatchNormalization(axis=3)`

  • Dropout ⚡
    随机丢弃部分神经元，防止过拟合。

    Dropout
    示例：`Dropout(rate=0.5)`

特殊层

  • Embedding 📘
    将离散的整数输入转换为密集向量。

    Embedding
    示例：`Embedding(input_dim=1000, output_dim=64)`

  • Flatten 📏
    将输入展平为一维向量。

    Flatten
    示例：`Flatten()`

扩展阅读

如需深入了解各层的使用方法，可访问 Keras 层 API 文档 获取详细参数说明。