快捷導(dǎo)航

keras Lambda自定義層實(shí)現(xiàn)數(shù)據(jù)的切片方式,Lambda傳參數(shù)

更新時(shí)間：2020年06月11日 08:43:42 作者：BYR_jiandong

這篇文章主要介紹了keras Lambda自定義層實(shí)現(xiàn)數(shù)據(jù)的切片方式,Lambda傳參數(shù)，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧

1、代碼如下：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation,Reshape
from keras.layers import merge
from keras.utils.visualize_util import plot
from keras.layers import Input, Lambda
from keras.models import Model
 
def slice(x,index):
 return x[:,:,index]
 
a = Input(shape=(4,2))
x1 = Lambda(slice,output_shape=(4,1),arguments={'index':0})(a)
x2 = Lambda(slice,output_shape=(4,1),arguments={'index':1})(a)
x1 = Reshape((4,1,1))(x1)
x2 = Reshape((4,1,1))(x2)
output = merge([x1,x2],mode='concat')
model = Model(a, output)
x_test = np.array([[[1,2],[2,3],[3,4],[4,5]]])
print model.predict(x_test)
plot(model, to_file='lambda.png',show_shapes=True)

2、注意Lambda 是可以進(jìn)行參數(shù)傳遞的,傳遞的方式如下代碼所述：

def slice(x,index):
return x[:,:,index]

如上,index是參數(shù),通過字典將參數(shù)傳遞進(jìn)去.

x1 = Lambda(slice,output_shape=(4,1),arguments={'index':0})(a)
x2 = Lambda(slice,output_shape=(4,1),arguments={'index':1})(a)

3、上述代碼實(shí)現(xiàn)的是,將矩陣的每一列提取出來,然后單獨(dú)進(jìn)行操作,最后在拼在一起?？梢暬膱D如下所示。

補(bǔ)充知識(shí)：tf.keras.layers.Lambda()——匿名函數(shù)層解析

1. 參數(shù)列表

2. 作用

可以把任意的一個(gè)表達(dá)式作為一個(gè)“Layer”對象

Lambda層之所以存在是因?yàn)樗梢栽跇?gòu)建Squential時(shí)使用任意的函數(shù)或者說tensorflow 函數(shù)。

在我們需要完成一些簡單的操作(例如VAE中的重采樣)的情況下，Lambda層再適合不過了。

3. 舉個(gè)栗子(VAE)

可以看到通過在encoder和decoder中間加入一個(gè)Lambda層使得encoder和decoder連接起來，很方便

def sampling(agrs):
  mean,logvar = agrs[0],agrs[1]
  eps = tf.random.normal(tf.shape(mean))
  return mean + eps*tf.exp(logvar * 0.5)

# 編碼階段
  
x = layers.Input(shape=(784,)) # 輸入層
  
h1 = layers.Dense(200,activation='softplus')(x)
h2 = layers.Dense(200,activation='softplus')(h1)
# 均值和方差層不需要激活函數(shù)
mean = layers.Dense(latent_dimension)(h2)
log_var = layers.Dense(latent_dimension)(h2)
  
# 將采樣過程看成一個(gè)Lambda層，這里利用自定義的sampling函數(shù)
z = layers.Lambda(sampling,output_shape=(latent_dimension,))([mean,log_var])
  
# 解碼階段
h3 = layers.Dense(200,activation='softplus')
h4 = layers.Dense(200,activation='softplus')
h5 = layers.Dense(200,activation='softplus')
# No activation
end = layers.Dense(784)
z1 = h3(z)
z2 = h4(z1)
z3 = h5(z2)
out = end(z3)
  
# 建立模型
model = tf.keras.Model(x,out)

4. Lambda層的缺點(diǎn)

Lambda層雖然很好用，但是它不能去更新我們模型的配置信息，就是不能重寫'model.get_config()'方法

所以tensorflow提議，盡量使用自定義層(即tf.keras.layers的子類)

關(guān)于自定義層，我的博客有一期會(huì)專門講

總結(jié)

當(dāng)網(wǎng)絡(luò)需要完成一些簡單的操作時(shí)，可以考慮使用Lambda層。

以上這篇keras Lambda自定義層實(shí)現(xiàn)數(shù)據(jù)的切片方式,Lambda傳參數(shù)就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: