关于Keras的“层”（Layer）
所有的Keras层对象都有如下方法：
-
layer.get_weights()：返回层的权重（numpy array） -
layer.set_weights(weights)：从numpy array中将权重加载到该层中，要求numpy array的形状与*layer.get_weights()的形状相同 -
layer.get_config()：返回当前层配置信息的字典，层也可以借由配置信息重构:
Input(shape=None,batch_shape=None,name=None,dtype=K.floatx(),sparse=False,tensor=None)
Input():用来实例化一个keras张量
keras张量是来自底层后端（Theano或Tensorflow）的张量对象，我们增加了某些属性，使我们通过知道模型的输入和输出来构建keras模型。
添加的keras属性有：1)._keras_shape:整型的形状元组通过keras-side 形状推理传播 2)._keras_history: 最后一层应用于张量，整个图层的图可以从那个层，递归地检索出来。
#参数：
shape: 形状元组（整型），不包括batch size。for instance, shape=(32,) 表示了预期的输入将是一批32维的向量。
batch_shape: 形状元组（整型），包括了batch size。for instance, batch_shape=(10,32)表示了预期的输入将是10个32维向量的批次。
name: 对于该层是可选的名字字符串。在一个模型中是独一无二的（同一个名字不能复用2次）。如果name没有被特指将会自动生成。
dtype: 预期的输入数据类型
sparse: 特定的布尔值，占位符是否为sparse
tensor: 可选的存在的向量包装到Input层，如果设置了，该层将不会创建一个占位张量。
#返回
一个张量
#例子
x=Input(shape=(32,))
y=Dense(16,activation='softmax')(x)
model=Model(x,y)
keras里面一些常用的单元：
import keras.layers as KL
二维卷积：
KL.Conv2d()
KL.Activation()
Definition : Activation(self, activation, **kwargs)
举例： x = KL.Activation('relu')(x)
KL.Add()
举例：
x = KL.Add（）（shortcut,x）
ayer that adds a list of inputs.
It takes as input a list of tensors, all of the same shape, and returns a single tensor (also of the same shape).
Definition : KL.ZeroPadding2D(padding=(1, 1), data_format=None, **kwargs)
class BatchNorm(KL.BatchNormalization): """Extends the Keras BatchNormalization class to allow a central place to make changes if needed. Batch normalization has a negative effect on training if batches are small so this layer is often frozen (via setting in Config class) and functions as linear layer. """ def call(self, inputs, training=None): """ Note about training values: None: Train BN layers. This is the normal mode False: Freeze BN layers. Good when batch size is small True: (don't use). Set layer in training mode even when making inferences """ return super(self.__class__, self).call(inputs, training=training)
代码：
对super(self.__calss__,self)中的self.__class__
self、 superclass 、 super
self ： 当前方法的调用者
class：获取方法调用者的类对象
superclass：获取方法调用者的父类对象
class BatchNorm(BatchNormalization):
Extends the Keras BatchNormalization class to allow a central place to make changes if needed.
Batch normalization has a negative effect on training if batches are small so this layer is often frozen (via setting in Config class) and functions as linear layer.