如何用Keras自定义层?
发布网友
发布时间：2022-04-23 15:48
共2个回答
热心网友
时间：2022-04-10 03:56
lambda层是没有参数学习的功能的，你要做的就是将每张图片上像素的最大值和最小值的函数包装进lambda层。你的输入是（batch,224,224,3），写一个在每个通道上提取空间特征的最大最小值的函数。假设为spatial_max(input)和spatial_min(input)，那么新层你可以直接写为new_layer1=Lambda(spatial_max, x : x)(input)
new_layer2=Lambda(spatial_min, x : x)(input)
热心网友
时间：2022-04-10 05:14
付费内容限时免费查看回答您好根据您的描述，答案是如下所示：
Keras层的骨架。只需要实现三个方法即可:
build(input_shape): 这是你定义权重的地方。这个方法必须设self.built = True，可以通过调用super([Layer], self).build()完成。build，这个函数用来确立这个层都有哪些参数，哪些参数是可训练的哪些参数是不可训练的。
call(x): 这里是编写层的功能逻辑的地方。你只需要关注传入call的第一个参数：输入张量，除非你希望你的层支持masking。这个函数在调用层对象时自动使用，里面就是该层的计算逻辑，或计算图了。显然，这个层的核心应该是一段符号式的输入张量到输出张量的计算过程。
compute_output_shape(input_shape): 如果你的层更改了输入张量的形状，你应该在这里定义形状变化的逻辑，这让Keras能够自动推断各层的形状。
提问你好，我想知道的是keras模型的自定义层的名称如何在结构上获取？
回答使用了自定义的层，如Lambda()
# 文本相似度评估方式
def exponent_neg_manhattan_distance(sent_left, sent_middle, sent_right):
'''基于曼哈顿空间距离计算两个字符串语义空间表示相似度计算'''
return ((K.exp(-K.sum(K.abs(sent_left - sent_middle), axis=1, keepdims=True)) - K.exp(-K.sum(K.abs(sent_left - sent_right), axis=1, keepdims=True))) + 1) / 2
def bilstm_siamese_model():
‘’‘搭建孪生网络’’’
#可以在这里调参
embedding_layer = Embedding(VOCAB_SIZE + 1,
EMBEDDING_DIM,
weights=[embedding_matrix],
input_length=MAX_LENGTH,
trainable=True, #原本为False
mask_zero=True)
输入层
left_input = Input(shape=(MAX_LENGTH,), dtype=‘float32’, name=“left_x”) #(?, 25)
middle_input = Input(shape=(MAX_LENGTH,), dtype=‘float32’, name=“middle_x”) #(?, 25)
right_input = Input(shape=(MAX_LENGTH,), dtype=‘float32’, name=‘right_x’)
#嵌入层
encoded_left = embedding_layer(left_input) #(?, 25, 300)
encoded_middle = embedding_layer(middle_input) #(?, 25, 300)
encoded_right = embedding_layer(right_input)
提问
回答查看keras各种网络结构各层的名字方式 就是这个https://blog.csdn.net/liming/article/details/106888698
