使用keras自定义神经网络层

        “现在的深度学习无非就是堆神经网络模型”这句话既对也不全对，深度学习能够取得如此大的进步在于神经网络的层数增加。但对模型并不是把别人已经做好的模型在自己的机子上跑一下，或者简单堆叠就可以了，而是要有自己的想法产生自己的改进模型。
        keras提供了自定义层的编程范式，但是很多书都没有介绍，可能是一般的应用用不到。另一方面效果不一定好，需要有一定的理论功底才能设计新的模型。手头刚好需要设计一个自定义层模型，现将方法记录如下。

编程范式

下面展示一些 `内联代码片`。
# 自定义层
#自定义层继承自keras.engine.topology的Layer类
#自定义Layer中需要定义至少三个函数__init__、build、call、如果返回形状发生了改变需要定义compute_output_shape层
class MyLayer(Layer):
	#__init__定义了需要初始化的参数
    def __init__(self, activation = None, **kwargs):
        self.activation = activation
        super(interActivate, self).__init__(**kwargs)
    #build函数定义了权重等值
    def build(self, input_shape):
        self.shape = input_shape
        self.w = self.add_weight(name = "w",shape = (input_shape[0], input_shape[1]),                                initializer="normal",trainable=True)
        super(interActivate, self).build(input_shape)
	
	#call函数定义了具体的计算过程,x为输入值（一般为上一层计算结果）
    def call(self, x):
        front_tanh = K.tanh(x)   
	    return front_tanh

    #注意：如果输出形状不变，则不需要；如果输出的形状发生改变，此处一定要标明
    def compute_output_shape(self, input_shape):
        return (input_shape[0],165,165)

注意

1、在主函数中尽量不要用keras.backend的各种操作，而应该将其封装为层；
2、输入一般都是单一输入，我暂时还不知道如何读取多个输入。
3、一定要注意各层的输入及输出形状，否则无法运行。

建议：

大家最好都学习自定义层的编写，这样你才能真正编写出自己适用的层，同时对模型有深刻的理解。在阅读别人源码时才有体会。