畅游人工智能之海--Keras教程之噪声层

各位读者大家好，今天我们要一起来学习Keras的噪声层。在神经网络的研究和应用中，经常会出现噪声层的身影，许多正则化的方法通过向训练数据添加噪声来防止过拟合，提高神经网络的鲁棒性。下面让我们来一起看看Keras噪声层的类型。

GaussianNoise层

keras.layers.GaussianNoise(stddev #float，噪声分布的标准差
)

作用：

高斯分布即为正态分布，该网络层添加均值为0，标准差为stddev的高斯噪声。

这对缓解过拟合很有用 （你可以将其视为随机数据增强的一种形式）。 高斯噪声（GS）是对真实输入的腐蚀过程的自然选择。

由于它是一个正则化层，因此它只在训练时才被激活。

输入尺寸：

可以是任意的。 如果将该层作为模型的第一层，则需要指定 input_shape 参数 （整数元组，不包含样本数量的维度）。

输出尺寸：

与输入相同。

GaussianDropout层

keras.layers.GaussianDropout(rate #float，丢弃概率（与 Dropout 相同）。 这个乘性噪声的标准差为 sqrt(rate/(1 - rate))
)

功能：

添加均值为1，标准差为sqrt{frac{rate}{1-rate} }的高斯噪声。

由于它是一个正则化层，因此它只在训练时才被激活。

输入尺寸：

可以是任意的。 如果将该层作为模型的第一层，则需要指定 input_shape 参数 （整数元组，不包含样本数量的维度）。

输出尺寸：

与输入相同。

AlphaDropout层

keras.layers.AlphaDropout(rate, #float，丢弃概率（与 Dropout 相同）。 这个乘性噪声的标准差为 sqrt(rate/(1 - rate))
                          noise_shape=None, 
                          seed=None #用作随机种子的Python整数
)

功能：

将 Alpha Dropout 应用到输入。

Alpha Dropout 是一种 Dropout， 删除一定比例的输入，使得输出的均值和方差与输入的均值和方差很接近，保持数据的自规范性， 以确保即使在 dropout 后也能实现自我归一化。 通过随机将激活设置为负饱和值， Alpha Dropout 非常适合按比例缩放的指数线性单元（SELU）。噪声的标准差为sqrt{frac{rate}{1-rate} }。

输入大小：

可以是任意的。 如果将该层作为模型的第一层，则需要指定 input_shape 参数 （整数元组，不包含样本数量的维度）。

输出大小：

与输入相同。

相信大家经过今天的学习，能够对噪声层层的类型和功能有一个清晰的认知，融合层是比较重要的网络层，虽然简单但很重要，它在解决神经网络过拟合方面有较为重要的作用，所以希望各位能亲手实践以对它有更好地认识，大家一起加油！