Keras中这两种添加神经网络层的方式有什么区别？

Question

我使用 Keras 和 Theano 作为后端，我有顺序神经网络模型。

请问下面有区别吗？

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

和

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

Answer 1

它们本质上是一样的。分开放的好处是可以在中间添加其他层（比如BatchNormalization）。

在Keras中，如果不指定，Convolution2D会默认使用'linear'激活，也就是恒等函数

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

Activation层所做的就是将激活函数应用于输入

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

编辑：

So basically Convolution2D(activation = 'relu') applies relu activation function after performing convolution, which is the same as applying Activation('relu') after Convolution2D(32, 3, 3)

Convolution2D层的call函数的最后两行是

output = self.activation(output)
return output

其中output是卷积的输出。所以我们知道应用激活函数是 Convolution2D.

的最后一步

源代码：
Convolution2D层：https://github.com/fchollet/keras/blob/a981a8c42c316831183cac7598266d577a1ea96a/keras/layers/convolutional.py
Activation层：https://github.com/fchollet/keras/blob/a981a8c42c316831183cac7598266d577a1ea96a/keras/layers/core.py
激活函数：https://github.com/fchollet/keras/blob/master/keras/activations.py

Keras中这两种添加神经网络层的方式有什么区别？

What is the difference between these two ways of adding Neural Network layers in Keras?

python

neural-network

theano

conv-neural-network

keras