SpatialDropout1D层
keras.layers.core.SpatialDropout1D(p)
SpatialDropout1D与Dropout的作用类似，但它断开的是整个1D特征图，而不是单个神经元。如果一张特征图的相邻像素之间有很强的相关性（通常发生在低层的卷积层中），那么普通的dropout无法正则化其输出，否则就会导致明显的学习率下降。这种情况下，SpatialDropout1D能够帮助提高特征图之间的独立性，应该用其取代普通的Dropout
参数
- p：0~1的浮点数，控制需要断开的链接的比例
输入shape
输入形如（samples，timesteps，channels）的3D张量
输出shape
与输入相同
参考文献
SpatialDropout2D层
keras.layers.core.SpatialDropout2D(p, dim_ordering='default')
SpatialDropout2D与Dropout的作用类似，但它断开的是整个2D特征图，而不是单个神经元。如果一张特征图的相邻像素之间有很强的相关性（通常发生在低层的卷积层中），那么普通的dropout无法正则化其输出，否则就会导致明显的学习率下降。这种情况下，SpatialDropout2D能够帮助提高特征图之间的独立性，应该用其取代普通的Dropout
参数
- p：0~1的浮点数，控制需要断开的链接的比例
- dim_ordering:'th'或'tf'，默认为
~/.keras/keras.json配置的image_dim_ordering值
输入shape
‘th’模式下，输入形如（samples，channels，rows，cols）的4D张量
‘tf’模式下，输入形如（samples，rows，cols，channels）的4D张量
注意这里的输入shape指的是函数内部实现的输入shape，而非函数接口应指定的input_shape，请参考下面提供的例子。
输出shape
与输入相同
参考文献
SpatialDropout3D层
keras.layers.core.SpatialDropout3D(p, dim_ordering='default')
SpatialDropout3D与Dropout的作用类似，但它断开的是整个3D特征图，而不是单个神经元。如果一张特征图的相邻像素之间有很强的相关性（通常发生在低层的卷积层中），那么普通的dropout无法正则化其输出，否则就会导致明显的学习率下降。这种情况下，SpatialDropout3D能够帮助提高特征图之间的独立性，应该用其取代普通的Dropout
参数
- p：0~1的浮点数，控制需要断开的链接的比例
- dim_ordering:'th'或'tf'，默认为
~/.keras/keras.json配置的image_dim_ordering值
输入shape
‘th’模式下，输入应为形如（samples，channels，input_dim1，input_dim2, input_dim3）的5D张量
‘tf’模式下，输入应为形如（samples，input_dim1，input_dim2, input_dim3，channels）的5D张量
输出shape
与输入相同
参考文献
TimeDisributedDense层
keras.layers.core.TimeDistributedDense(output_dim, init='glorot_uniform', activation='linear', weights=None, W_regularizer=None, b_regularizer=None, activity_regularizer=None, W_constraint=None, b_constraint=None, bias=True, input_dim=None, input_length=None)
为输入序列的每个时间步信号（即维度1）建立一个全连接层，当RNN网络设置为return_sequence=True时尤其有用
- 注意：该层已经被弃用，请使用其包装器
TImeDistributed完成此功能
model.add(TimeDistributed(Dense(32)))
参数
-
output_dim：大于0的整数，代表该层的输出维度。模型中非首层的全连接层其输入维度可以自动推断，因此非首层的全连接定义时不需要指定输入维度。
-
init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。该参数仅在不传递
weights参数时有意义。 -
activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）
-
weights：权值，为numpy array的list。该list应含有一个形如（input_dim,output_dim）的权重矩阵和一个形如(output_dim,)的偏置向量。
-
W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
-
b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象
-
activity_regularizer：施加在输出上的正则项，为ActivityRegularizer对象
-
W_constraints：施加在权重上的约束项，为Constraints对象
-
b_constraints：施加在偏置上的约束项，为Constraints对象
-
bias：布尔值，是否包含偏置向量（即层对输入做线性变换还是仿射变换）
-
input_dim：整数，输入数据的维度。当该层作为网络的第一层时，必须指定该参数或
input_shape参数。 -
input_length：输入序列的长度，为整数或None，若为None则代表输入序列是变长序列
输入shape
形如 (nb_sample, time_dimension, input_dim)的3D张量
输出shape
形如 (nb_sample, time_dimension, output_dim)的3D张量
Scikit-Learn接口包装器
我们可以通过包装器将Sequential模型（仅有一个输入）作为Scikit-Learn工作流的一部分，相关的包装器定义在keras.wrappers.scikit_learn.py中
目前，有两个包装器可用：
keras.wrappers.scikit_learn.KerasClassifier(build_fn=None, **sk_params)实现了sklearn的分类器接口
keras.wrappers.scikit_learn.KerasRegressor(build_fn=None, **sk_params)实现了sklearn的回归器接口
参数
-
build_fn：可调用的函数或类对象
-
sk_params：模型参数和训练参数
build_fn应构造、编译并返回一个Keras模型，该模型将稍后用于训练/测试。build_fn的值可能为下列三种之一：
-
一个函数
-
一个具有
call方法的类对象 -
None，代表你的类继承自
KerasClassifier或KerasRegressor，其call方法为其父类的call方法
sk_params以模型参数和训练（超）参数作为参数。合法的模型参数为build_fn的参数。注意，‘build_fn’应提供其参数的默认值。所以我们不传递任何值给sk_params也可以创建一个分类器/回归器
sk_params还接受用于调用fit，predict，predict_proba和score方法的参数，如nb_epoch，batch_size等。这些用于训练或预测的参数按如下顺序选择：
-
传递给
fit，predict，predict_proba和score的字典参数 -
传递个
sk_params的参数 -
keras.models.Sequential，fit，predict，predict_proba和score的默认值
当使用scikit-learn的grid_search接口时，合法的可转换参数是你可以传递给sk_params的参数，包括训练参数。即，你可以使用grid_search来搜索最佳的batch_size或nb_epoch以及其他模型参数