Keras官方中文文档（包装器Wrapper） _wrapper

知识的价值不在于占有，而在于使用。这篇文章主要讲述Keras官方中文文档：包装器Wrapper相关的知识，希望能为你提供帮助。
包装器Wrapper TimeDistributed包装器

keras.layers.wrappers.TimeDistributed(layer)

该包装器可以把一个层应用到输入的每一个时间步上
参数

layer：Keras层对象

输入至少为3D张量，下标为1的维度将被认为是时间维
例如，考虑一个含有32个样本的batch，每个样本都是10个向量组成的序列，每个向量长为16，则其输入维度为(32,10,16)，其不包含batch大小的input_shape为(10,16)
我们可以使用包装器TimeDistributed包装Dense，以产生针对各个时间步信号的独立全连接：

# as the first layer in a model model = Sequential() model.add(TimeDistributed(Dense(8), input_shape=(10, 16))) # now model.output_shape == (None, 10, 8)# subsequent layers: no need for input_shape model.add(TimeDistributed(Dense(32))) # now model.output_shape == (None, 10, 32)

程序的输出数据shape为(32,10,8)
使用TimeDistributed包装Dense严格等价于layers.TimeDistribuedDense。不同的是包装器TimeDistribued还可以对别的层进行包装，如这里对Convolution2D包装：

model = Sequential() model.add(TimeDistributed(Convolution2D(64, 3, 3), input_shape=(10, 3, 299, 299)))

Bidirectional包装器

keras.layers.wrappers.Bidirectional(layer, merge_mode=‘concat‘, weights=None)

双向RNN包装器
参数

layer：Recurrent对象
merge_mode：前向和后向RNN输出的结合方式，为sum,mul,concat,ave和None之一，若设为None，则返回值不结合，而是以列表的形式返回

例子

model = Sequential() model.add(Bidirectional(LSTM(10, return_sequences=True), input_shape=(5, 10))) model.add(Bidirectional(LSTM(10))) model.add(Dense(5)) model.add(Activation(‘softmax‘)) model.compile(loss=‘categorical_crossentropy‘, optimizer=‘rmsprop‘)

【Keras官方中文文档（包装器Wrapper）】艾伯特(http://www.aibbt.com/)国内第一家人工智能门户