快捷導(dǎo)航

Keras實現(xiàn)支持masking的Flatten層代碼

更新時間：2020年06月16日 14:19:12 作者：蕉叉熵

這篇文章主要介紹了Keras實現(xiàn)支持masking的Flatten層代碼，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

不知道為什么，我總是需要實現(xiàn)某種騷操作，而這種騷操作往往是Keras不支持的。例如，我有一個padding過的矩陣，那么它一定是帶masking的，然后我想要把它Flatten，再輸入到Dense層。然而Keras的Flatten層不支持masking。

Keras原本Flatten的實現(xiàn)

class Flatten(Layer):
 def __init__(self, **kwargs):
  super(Flatten, self).__init__(**kwargs)
  self.input_spec = InputSpec(min_ndim=3)

 def compute_output_shape(self, input_shape):
  if not all(input_shape[1:]):
   raise ValueError('The shape of the input to "Flatten" '
        'is not fully defined '
        '(got ' + str(input_shape[1:]) + '. '
        'Make sure to pass a complete "input_shape" '
        'or "batch_input_shape" argument to the first '
        'layer in your model.')
  return (input_shape[0], np.prod(input_shape[1:]))

 def call(self, inputs):
  return K.batch_flatten(inputs)

自定義支持masking的實現(xiàn)

事實上，Keras層的mask有時候是需要參與運(yùn)算的，比如Dense之類的，有時候則只是做某種變換然后傳遞給后面的層。Flatten屬于后者，因為mask總是與input有相同的shape，所以我們要做的就是在compute_mask函數(shù)里對mask也做flatten。

from keras import backend as K
from keras.engine.topology import Layer
import tensorflow as tf
import numpy as np

class MyFlatten(Layer):
 def __init__(self, **kwargs):
  self.supports_masking = True
  super(MyFlatten, self).__init__(**kwargs)

 def compute_mask(self, inputs, mask=None):
  if mask==None:
   return mask
  return K.batch_flatten(mask)

 def call(self, inputs, mask=None):
  return K.batch_flatten(inputs)

 def compute_output_shape(self, input_shape):
  return (input_shape[0], np.prod(input_shape[1:]))

正確性檢驗

from keras.layers import *
from keras.models import Model
from MyFlatten import MyFlatten
from MySumLayer import MySumLayer
from keras.initializers import ones

data = [[1,0,0,0],
  [1,2,0,0],
  [1,2,3,0],
  [1,2,3,4]]

A = Input(shape=[4]) # None * 4
emb = Embedding(5, 3, mask_zero=True, embeddings_initializer=ones())(A) # None * 4 * 3
fla = MyFlatten()(emb) # None * 12
out = MySumLayer(axis=1)(fla) # None * 1

model = Model(inputs=[A], outputs=[out])
print model.predict(data)

輸出：

[ 3. 6. 9. 12.]

補(bǔ)充知識：pytorch中的reshape()、view()、transpose()和flatten()

1、torch.reshape()

reshape()可以由torch.reshape(),也可由torch.Tensor.reshape()調(diào)用

其作用是在不改變tensor元素數(shù)目的情況下改變tensor的shape

import torch
import numpy as np
a = np.arange(24)
b = a.reshape(4,3,2)
print(np.shape(a))
print(b,np.shape(b))

'''結(jié)果
(24,)
[[[ 0 1]
 [ 2 3]
 [ 4 5]]

 [[ 6 7]
 [ 8 9]
 [10 11]]

 [[12 13]
 [14 15]
 [16 17]]

 [[18 19]
 [20 21]
 [22 23]]] (4, 3, 2)
'''

2、view()

view()只可以由torch.Tensor.view()來調(diào)用

view()和reshape()在效果上是一樣的，區(qū)別是view（）只能操作contiguous的tensor，且view后的tensor和原tensor共享存儲，reshape（）對于是否contiuous的tensor都可以操作。

3、transpose()

torch.transpose(input, dim0, dim1) -> Tensor

將輸入數(shù)據(jù)input的第dim0維和dim1維進(jìn)行交換

#官方例子
>>> x = torch.randn(2, 3)
>>> x
tensor([[ 0.9068, 1.8803, -0.5021],
  [-0.6576, 0.6334, -0.8961]])
>>> torch.transpose(x, 0, 1)
tensor([[ 0.9068, -0.6576],
  [ 1.8803, 0.6334],
  [-0.5021, -0.8961]])

4、flatten()

torch.flatten()的輸入是tensor

torch.flatten(input, start_dim=0, end_dim=-1) → Tensor

其作用是將輸入tensor的第start_dim維到end_dim維之間的數(shù)據(jù)“拉平”成一維tensor，

#官方例子
>>> t = torch.tensor([[[1, 2],
        [3, 4]],
        [[5, 6],
        [7, 8]]])
>>> torch.flatten(t)
tensor([1, 2, 3, 4, 5, 6, 7, 8])
>>> torch.flatten(t, start_dim=1)
tensor([[1, 2, 3, 4],
  [5, 6, 7, 8]])

torch.nn.Flatten()可以理解為一種網(wǎng)絡(luò)結(jié)構(gòu)，類似Conv2d、Linear。一般放在卷積層和全連接層之間，將卷積層輸出“拉平”成一維，

>>> m = torch.nn.Sequential(
 torch.nn.Conv2d(1, 32, 5, 1, 1),
 torch.nn.Flatten(),
 torch.nn.Linear(160,10))
>>> m
Sequential(
 (0): Conv2d(1, 32, kernel_size=(5, 5), stride=(1, 1), padding=(1, 1))
 (1): Flatten()
 (2): Linear(in_features=160, out_features=10, bias=True)
)

以上這篇Keras實現(xiàn)支持masking的Flatten層代碼就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: