這兩種在Keras中添加神經網絡圖層的方式有什麼區別？

Question

我用Theano作爲後端使用Keras，我有Sequential神經網絡模型。

我不知道以下是否有區別？

model.add(Convolution2D(32, 3, 3, activation='relu')) 

和

model.add(Convolution2D(32, 3, 3)) 
model.add(Activation('relu')) 

Answer 1

他們基本上是相同的。分開放置的好處是您可以在其間添加其他圖層（如BatchNormalization）。

在Keras，如果沒有指定，Convolution2D將使用默認的「線性」激活，這僅僅是恆等函數

def linear(x): 
    ''' 
    The function returns the variable that is passed in, so all types work. 
    ''' 
    return x 

和所有Activation層不被施加所述激活功能到輸入

def call(self, x, mask=None): 
    return self.activation(x) 

編輯：

所以基本上Convolution2D(activation = 'relu')進行卷積後適用RELU激活功能，這是相同的後Convolution2D(32, 3, 3)

施加Activation('relu')的Convolution2D層的call函數的最後兩行是

output = self.activation(output) 
return output 

其中output是的輸出卷積。所以我們知道應用激活功能是Convolution2D的最後一步。

源代碼：
Convolution2D層：https://github.com/fchollet/keras/blob/a981a8c42c316831183cac7598266d577a1ea96a/keras/layers/convolutional.py
Activation層：https://github.com/fchollet/keras/blob/a981a8c42c316831183cac7598266d577a1ea96a/keras/layers/core.py
激活函數：https://github.com/fchollet/keras/blob/master/keras/activations.py