論文：《Neural Collaborative Filtering》源碼中用到的模塊（函數(shù)）

from keras.layers import Embedding, Input, Dense, merge, Reshape, Merge, Flatten

?

（1）Input（）：用于實例化?Keras 張量 keras.engine.input_layer.Input() 參數(shù)：

• shape: 一個尺寸元組（整數(shù)），不包含批量大小。 例如，shape=(32,)?表明期望的輸入是按批次的 32 維向量。
• batch_shape: 一個尺寸元組（整數(shù)），包含批量大小。 例如，batch_shape=(10, 32)表明期望的輸入是 10 個 32 維向量。?batch_shape=(None, 32)?表明任意批次大小的 32 維向量。
• name: 一個可選的層的名稱的字符串。 在一個模型中應該是唯一的（不可以重用一個名字兩次）。 如未提供，將自動生成。
• dtype: 輸入所期望的數(shù)據(jù)類型，字符串表示 (float32,?float64,?int32...)
• sparse: 一個布爾值，指明需要創(chuàng)建的占位符是否是稀疏的。
• tensor: 可選的可封裝到?Input?層的現(xiàn)有張量。 如果設(shè)定了，那么這個層將不會創(chuàng)建占位符張量。

返回：一個張量。 （2）Embedding（）： 將正整數(shù)（索引值）轉(zhuǎn)換為固定尺寸的稠密向量。 例如： [[4], [20]] -> [[0.25, 0.1], [0.6, -0.2]]。 該層只能用作模型中的第一層。 參數(shù)：

• input_dim: int > 0。詞匯表大小， 即，最大整數(shù) index + 1。
• output_dim: int >= 0。詞向量的維度。
• embeddings_initializer:?embeddings?矩陣的初始化方法 (詳見?initializers)。
• embeddings_regularizer:?embeddings?matrix 的正則化方法 (詳見?regularizer)。
• embeddings_constraint:?embeddings?matrix 的約束函數(shù) (詳見?constraints)。
• mask_zero: 是否把 0 看作為一個應該被遮蔽的特殊的 "padding" 值。 這對于可變長的?循環(huán)神經(jīng)網(wǎng)絡(luò)層?十分有用。 如果設(shè)定為?True，那么接下來的所有層都必須支持 masking，否則就會拋出異常。 如果 mask_zero 為?True，作為結(jié)果，索引 0 就不能被用于詞匯表中 （input_dim 應該與 vocabulary + 1 大小相同）。
• input_length: 輸入序列的長度，當它是固定的時。 如果你需要連接?Flatten?和?Dense?層，則這個參數(shù)是必須的 （沒有它，dense 層的輸出尺寸就無法計算）。

輸入尺寸： 尺寸為?(batch_size, sequence_length)?的 2D 張量。 輸出尺寸： 尺寸為?(batch_size, sequence_length, output_dim)?的 3D 張量。 （3）Flatten（）： 將輸入展平。不影響批量大小。 參數(shù)

• data_format：一個字符串，其值為?channels_last（默認值）或者?channels_first。它表明輸入的維度的順序。此參數(shù)的目的是當模型從一種數(shù)據(jù)格式切換到另一種數(shù)據(jù)格式時保留權(quán)重順序。channels_last?對應著尺寸為?(batch, ..., channels)?的輸入，而?channels_first?對應著尺寸為?(batch, channels, ...)?的輸入。默認為?image_data_format?的值，你可以在 Keras 的配置文件?~/.keras/keras.json?中找到它。如果你從未設(shè)置過它，那么它將是?channels_last

（4）Dense（）： 就是常用的全連接層。 Dense?實現(xiàn)以下操作：?output = activation(dot(input, kernel) + bias)?其中?activation?是按逐個元素計算的激活函數(shù)，kernel是由網(wǎng)絡(luò)層創(chuàng)建的權(quán)值矩陣，以及?bias?是其創(chuàng)建的偏置向量 (只在?use_bias?為?True?時才有用)。

• 注意: 如果該層的輸入的秩大于2，那么它首先被展平然后 再計算與?kernel?的點乘。

參數(shù)

• units: 正整數(shù)，輸出空間維度。
• activation: 激活函數(shù) (詳見?activations)。 若不指定，則不使用激活函數(shù) (即，「線性」激活:?a(x) = x)。
• use_bias: 布爾值，該層是否使用偏置向量。
• kernel_initializer:?kernel?權(quán)值矩陣的初始化器 (詳見?initializers)。
• bias_initializer: 偏置向量的初始化器 (see?initializers).
• kernel_regularizer: 運用到?kernel?權(quán)值矩陣的正則化函數(shù) (詳見?regularizer)。
• bias_regularizer: 運用到偏置向的的正則化函數(shù) (詳見?regularizer)。
• activity_regularizer: 運用到層的輸出的正則化函數(shù) (它的 "activation")。 (詳見?regularizer)。
• kernel_constraint: 運用到?kernel?權(quán)值矩陣的約束函數(shù) (詳見?constraints)。
• bias_constraint: 運用到偏置向量的約束函數(shù) (詳見?constraints)。

輸入尺寸：? nD 張量，尺寸:?(batch_size, ..., input_dim)。 最常見的情況是一個尺寸為?(batch_size, input_dim)?的 2D 輸入。 輸出尺寸： nD 張量，尺寸:?(batch_size, ..., units)。 例如，對于尺寸為?(batch_size, input_dim)?的 2D 輸入， 輸出的尺寸為?(batch_size, units)。 （5）compile（）：用于配置訓練模型 compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None) 參數(shù)：

• optimizer: 字符串（優(yōu)化器名）或者優(yōu)化器實例。 詳見?optimizers。
• loss: 字符串（目標函數(shù)名）或目標函數(shù)。 詳見?losses。 如果模型具有多個輸出，則可以通過傳遞損失函數(shù)的字典或列表，在每個輸出上使用不同的損失。 模型將最小化的損失值將是所有單個損失的總和。
• metrics: 在訓練和測試期間的模型評估標準。 通常你會使用?metrics = ['accuracy']。 要為多輸出模型的不同輸出指定不同的評估標準， 還可以傳遞一個字典，如?metrics = {'output_a'：'accuracy'}。
• loss_weights: 可選的指定標量系數(shù)（Python 浮點數(shù)）的列表或字典， 用以衡量損失函數(shù)對不同的模型輸出的貢獻。 模型將最小化的誤差值是由?loss_weights?系數(shù)加權(quán)的加權(quán)總和誤差。 如果是列表，那么它應該是與模型輸出相對應的 1:1 映射。 如果是張量，那么應該把輸出的名稱（字符串）映到標量系數(shù)。
• sample_weight_mode: 如果你需要執(zhí)行按時間步采樣權(quán)重（2D 權(quán)重），請將其設(shè)置為?temporal。 默認為?None，為采樣權(quán)重（1D）。 如果模型有多個輸出，則可以通過傳遞 mode 的字典或列表，以在每個輸出上使用不同的?sample_weight_mode。
• weighted_metrics: 在訓練和測試期間，由 sample_weight 或 class_weight 評估和加權(quán)的度量標準列表。
• target_tensors: 默認情況下，Keras 將為模型的目標創(chuàng)建一個占位符，在訓練過程中將使用目標數(shù)據(jù)。 相反，如果你想使用自己的目標張量（反過來說，Keras 在訓練期間不會載入這些目標張量的外部 Numpy 數(shù)據(jù)）， 您可以通過?target_tensors?參數(shù)指定它們。 它可以是單個張量（單輸出模型），張量列表，或一個映射輸出名稱到目標張量的字典。
• **kwargs: 當使用 Theano/CNTK 后端時，這些參數(shù)被傳入?K.function。 當使用 TensorFlow 后端時，這些參數(shù)被傳遞到?tf.Session.run。

?

?

?

【Reference】

1、Docs??Layers ?核心網(wǎng)絡(luò)層：?https://keras.io/zh/layers/core/

2、Docs??模型 ?函數(shù)式 API：https://keras.io/zh/models/model/#compile?

轉(zhuǎn)載于:https://www.cnblogs.com/shenxiaolin/p/11163061.html

總結(jié)

以上是生活随笔為你收集整理的NeuCF源码中用到的模块（函数）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。