[source]

LocallyConnected1D

keras.layers.LocallyConnected1D(filters, kernel_size, strides=1, padding='valid', data_format=None, 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)

1D 인풋용 국소 연결 레이어.

LocallyConnected1D 레이어는 Conv1D 레이어와 비슷한 방식으로 작동하지만 가중치가 공유되지 않는다는 점에서 다른데, 이는 인풋의 각 부분에 각기 다른 필터 세트가 적용된다는 의미입니다.

예시

# 공유되지 않은 길이 3의 1D 컨볼루션 가중치를 10개의 시간 단계와
# 64개의 아웃풋 필터로 이루어진 시퀀스에 적용합니다.
model = Sequential()
model.add(LocallyConnected1D(64, 3, input_shape=(10, 32)))
# 현재 model.output_shape == (None, 8, 64)
# 그 위에 새로운 conv1d를 추가합니다
model.add(LocallyConnected1D(32, 3))
# 현재 model.output_shape == (None, 6, 32)

인수

  • filters: 정수, 출력 공간의 차원 (다시 말해 컨볼루션의 아웃풋 필터의 개수).
  • kernel_size: 단일 정수 혹은 단일 정수의 튜플/리스트 1D 컨볼루션 윈도우의 길이를 특정합니다.
  • strides: 단일 정수 혹은 단일 정수의 튜플/리스트, 컨볼루션의 보폭 길이를 특정합니다. 보폭 값이 1이 아니도록 특정하는 경우는 dilation_rate의 값이 1이 아니도록 특정하는 경우와 양립할 수 없습니다.
  • padding: 현재는 (대소문자 구분없이) "valid"만을 지원합니다. 차후 "same"을 지원할 계획입니다.
  • activation: 사용할 활성화 함수 (활성화 참조). 따로 특정하지 않는 경우 활성화가 적용되지 않습니다 (다시 말해 "선형적" 활성화: a(x) = x).
  • use_bias: 불리언, 레이어가 편향 벡터를 사용하는지 여부.
  • kernel_initializer: kernel 가중치 행렬용 초기값 설정기 (초기값 설정기 참조).
  • bias_initializer: 편향 벡터용 초기값 설정기 (초기값 설정기 참조).
  • kernel_regularizer: kernel 가중치 행렬에 적용되는 정규화 함수 (정규화 참조).
  • bias_regularizer: 편향 벡터에 적용되는 정규화 함수 (정규화 참조).
  • activity_regularizer: 레이어의 아웃풋(레이어의 "활성화")에 적용되는 정규화 함수. (정규화 참조).
  • kernel_constraint: 커널 행렬에 적용되는 제약 함수 (제약 참조).
  • bias_constraint: 편향 벡터에 적용되는 제약 함수 (제약 참조).

인풋 형태

3D 텐서: (batch_size, steps, input_dim)의 형태

아웃풋 형태

3D 텐서: (batch_size, new_steps, filters)의 형태 패딩 혹은 보폭의 결과로 steps 값이 변했을 수도 있습니다.


[source]

LocallyConnected2D

keras.layers.LocallyConnected2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, 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)

2D 인풋용 국소 연결 레이어.

LocallyConnected2D 레이어는 Conv2D 레이어와 비슷한 방식으로 작동하지만 가중치가 공유되지 않는다는 점에서 다른데, 이는 인풋의 각 부분에 각기 다른 필터 세트가 적용된다는 의미입니다.

예시

# 64개의 아웃풋 필터와 더불어 3x3 비공유 가중치 컨볼루션을
# `data_format="channels_last"`으로 설정된 32x32 이미지에 적용합니다:
model = Sequential()
model.add(LocallyConnected2D(64, (3, 3), input_shape=(32, 32, 3)))
# 현재 model.output_shape == (None, 30, 30, 64)
# 이 레이어가 (30*30)*(3*3*3*64) + (30*30)*64개의
# 매개변수를 사용한다는 점을 유의하십시오

# 32개의 아웃풋 필터와 더불어 3x3 비공유 가중치 컨볼루션을 상부에 추가하십시오:
model.add(LocallyConnected2D(32, (3, 3)))
# 현재 model.output_shape == (None, 28, 28, 32)

인수

  • filters: 정수, 아웃풋 공간의 차원 (다시 말해 컨볼루션의 아웃풋 필터의 개수).
  • kernel_size: 단일 정수, 혹은 2D 컨볼루션 윈도우의 넓이와 높이를 특정하는 2개 정수의 튜플/리스트. 단일 정수로는 모든 공간 차원에 대해서 같은 값을 특정할 수 있습니다.
  • strides: 단일 정수, 혹은 넓이와 높이에 따라 컨볼루션 보폭을 특정하는 2개 정수의 튜플/리스트. 단일 정수로는 모든 공간 차원에 대해서 같은 값을 특정할 수 있습니다.
  • padding: 현재는 (대소문자 구분없이) "valid"만을 지원합니다. 차후 "same"을 지원할 계획입니다.
  • data_format: 문자열, channels_last (디폴트 값) 혹은 channels_first 중 하나. 인풋 내 차원의 순서. channels_last(batch, height, width, channels)의 형태를 갖는 인풋에 호응하는 반면, channels_first(batch, channels, height, width)의 형태를 갖는 인풋에 호응합니다. 디폴트 값은 ~/.keras/keras.json에 위치한 케라스 구성 파일 내 image_data_format 값으로 설정됩니다. 따로 지정하지 않았다면, 이 값은 "channels_last"입니다.
  • activation: 사용할 활성화 함수 (활성화 참조). 따로 특정하지 않는 경우 활성화가 적용되지 않습니다 (다시 말해 "선형적" 활성화: a(x) = x).
  • use_bias: 불리언, 레이어가 편향 벡터를 사용하는지 여부.
  • kernel_initializer: kernel 가중치 행렬용 초기값 설정기 (초기값 설정기 참조).
  • bias_initializer: 편향 벡터용 초기값 설정기 (초기값 설정기 참조).
  • kernel_regularizer: kernel 가중치 행렬에 적용되는 정규화 함수 (정규화 참조).
  • bias_regularizer: 편향 벡터에 적용되는 정규화 함수 (정규화 참조).
  • activity_regularizer: 레이어의 아웃풋(레이어의 "활성화")에 적용되는 정규화 함수. (정규화 참조).
  • kernel_constraint: 커널 행렬에 적용되는 제약 함수 (제약 참조).
  • bias_constraint: 편향 벡터에 적용되는 제약 함수 (제약 참조).

인풋 형태

4D 텐서: data_format='channels_first'의 경우 (samples, channels, rows, cols)의 형태, 혹은 data_format='channels_last'의 경우 (samples, rows, cols, channels)의 형태를 갖습니다.

아웃풋 형태

4D 텐서: data_format='channels_first'의 경우 (samples, filters, new_rows, new_cols)의 형태 혹은 data_format='channels_last'의 경우 (samples, new_rows, new_cols, filters)의 형태를 갖습니다. 패딩의 결과로 rowscols 값이 달라졌을 수도 있습니다.