► Keras 3 API 文档 / 层 API / 核心层 / EinsumDense 层

EinsumDense 层

`EinsumDense` 类

keras.layers.EinsumDense(
    equation,
    output_shape,
    activation=None,
    bias_axes=None,
    kernel_initializer="glorot_uniform",
    bias_initializer="zeros",
    kernel_regularizer=None,
    bias_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    lora_rank=None,
    **kwargs
)

一个使用 einsum 作为后备计算的层。

该层可以执行任意维度的 einsum 计算。

参数

equation: 一个描述要执行的 einsum 的等式。此等式必须是有效 einsum 字符串，形式为 ab,bc->ac, ...ab,bc->...ac, 或 ab...,bc->ac...，其中 'ab'，'bc' 和 'ac' 可以是任何有效的 einsum 轴表达式序列。
output_shape: 输出张量的预期形状（不包括批次维度和任何由省略号表示的维度）。您可以为任何未知或可以从输入形状推断出的维度指定 None。
activation: 要使用的激活函数。如果您不指定任何内容，则不应用激活（即“线性”激活：a(x) = x）。
bias_axes: 一个字符串，包含要应用偏差的输出维度。 bias_axes 字符串中的每个字符都应对应于 equation 字符串输出部分的字符。
kernel_initializer: kernel 权重矩阵的初始化器。
bias_initializer: 偏差向量的初始化器。
kernel_regularizer: 应用于 kernel 权重矩阵的正则化函数。
bias_regularizer: 应用于偏差向量的正则化函数。
kernel_constraint: 应用于 kernel 权重矩阵的约束函数。
bias_constraint: 应用于偏差向量的约束函数。
lora_rank: 可选整数。如果设置，则该层的前向传递将使用提供的秩实现 LoRA（低秩自适应）。LoRA 将该层的内核设置为不可训练，并将其替换为原始内核上的增量，该增量通过乘以两个较低秩的可训练矩阵获得（分解发生在最后一个维度上）。这有助于降低微调大型密集层的计算成本。您还可以通过调用 layer.enable_lora(rank) 在现有的 EinsumDense 层上启用 LoRA。
**kwargs: 基础层关键字参数，例如 name 和 dtype。

示例

使用 einsums 的偏置密集层

此示例显示如何使用 einsum 操作实例化标准 Keras 密集层。此示例等效于 keras.layers.Dense(64, use_bias=True)。

>>> layer = keras.layers.EinsumDense("ab,bc->ac",
...                                       output_shape=64,
...                                       bias_axes="c")
>>> input_tensor = keras.Input(shape=[32])
>>> output_tensor = layer(input_tensor)
>>> output_tensor.shape
(None, 64)

将密集层应用于序列

此示例显示如何实例化一个将相同的密集操作应用于序列中每个元素的层。此处，output_shape 有两个值（因为输出中有两个非批次维度）； output_shape 中的第一个维度为 None，因为序列维度 b 具有未知形状。

>>> layer = keras.layers.EinsumDense("abc,cd->abd",
...                                       output_shape=(None, 64),
...                                       bias_axes="d")
>>> input_tensor = keras.Input(shape=[32, 128])
>>> output_tensor = layer(input_tensor)
>>> output_tensor.shape
(None, 32, 64)

使用省略号将密集层应用于序列

此示例显示如何实例化一个将相同的密集操作应用于序列中每个元素的层，但使用省略号表示法而不是指定批次和序列维度。

因为我们正在使用省略号表示法并且仅指定了一个轴，所以 output_shape 参数是一个值。以这种方式实例化时，该层可以处理任意数量的序列维度 - 包括不存在序列维度的情况。

>>> layer = keras.layers.EinsumDense("...x,xy->...y",
...                                       output_shape=64,
...                                       bias_axes="y")
>>> input_tensor = keras.Input(shape=[32, 128])
>>> output_tensor = layer(input_tensor)
>>> output_tensor.shape
(None, 32, 64)

EinsumDense 层

EinsumDense 类

EinsumDense 层

EinsumDense 类

`EinsumDense` 类