支持功能

支持的Keras功能。

Keras 模型导入: 支持的功能

鲜为人知的事实：DL4J的创始人，Skymind，在我们的团队中拥有前五名的Keras贡献者中的两个，使其成为继Keras的创始人Francois Chollet之后对Keras的最大贡献者。虽然并非DL4J中的每个概念在Keras中都有等效的概念，反之亦然，但是许多关键概念可以匹配。将Keras模型导入DL4J是在我们的deeplearning4j-modelimport 模块中完成的。下面是当前支持的特性的综合列表。

层
损失
激活函数
初始化器
正则化器
约束
度量
优化器

层

将模型映射到DL4J层是在模型导入的层子模块中完成的。该项目的结构随意地反映了Keras的结构。

核心层

✅ Dense
✅ Activation
✅ Dropout
✅ Flatten
✅ Reshape
✅ Merge
✅ Permute
✅ RepeatVector
✅ Lambda
❌ ActivityRegularization
✅ Masking
✅ SpatialDropout1D
✅ SpatialDropout2D
✅ SpatialDropout3D

卷积层

池化层

本地连接层

✅ LocallyConnected1D
✅ LocallyConnected2D

循环层

✅ SimpleRNN
❌ GRU
✅ LSTM
❌ ConvLSTM2D

嵌入层

✅ Embedding

合并层

✅ Add / add
✅ Multiply / multiply
✅ Subtract / subtract
✅ Average / average
✅ Maximum / maximum
✅ Concatenate / concatenate
❌ Dot / dot

高级激活层

✅ LeakyReLU
✅ PReLU
✅ ELU
✅ ThresholdedReLU

归一化层

✅ BatchNormalization

噪声层

层包装器

❌ TimeDistributed
✅ Bidirectional

失损

✅ mean_squared_error
✅ mean_absolute_error
✅ mean_absolute_percentage_error
✅ mean_squared_logarithmic_error
✅ squared_hinge
✅ hinge
✅ categorical_hinge
❌ logcosh
✅ categorical_crossentropy
✅ sparse_categorical_crossentropy
✅ binary_crossentropy
✅ kullback_leibler_divergence
✅ poisson
✅ cosine_proximity

活激

✅ softmax
✅ elu
✅ selu
✅ softplus
✅ softsign
✅ relu
✅ tanh
✅ sigmoid
✅ hard_sigmoid
✅ linear

初始化器

✅ Zeros
✅ Ones
✅ Constant
✅ RandomNormal
✅ RandomUniform
✅ TruncatedNormal
✅ VarianceScaling
✅ Orthogonal
✅ Identity
✅ lecun_uniform
✅ lecun_normal
✅ glorot_normal
✅ glorot_uniform
✅ he_normal
✅ he_uniform

正则化器

✅ l1
✅ l2
✅ l1_l2

约束

✅ max_norm
✅ non_neg
✅ unit_norm
✅ min_max_norm

优化器

✅ SGD
✅ RMSprop
✅ Adagrad
✅ Adadelta
✅ Adam
✅ Adamax
✅ Nadam
❌ TFOptimizer

最后更新于4年前