keras自定义Layer实现类似Lamda层中w1*x+w2*y

    这篇博客的目的是利用keras自定义Layer实现类似Lamda层中w1x+w2y的功能，只不过这个w1和w2由网络训练得到，下面是本人亲测的实现。

import keras.engine as KE

class ClassifierLayer(KE.Layer):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)

    def build(self, input_shape):
        self.w1 = self.add_weight(shape=(1,), name="kernel1", trainable=True, initializer=KI.random_uniform(minval=0, maxval=1.0))
        self.w2 = self.add_weight(shape=(1,), name="kernel2", trainable=True, initializer=KI.random_uniform(minval=0, maxval=1.0))
        super().build(input_shape)

    def call(self, inputs, **kwargs):
        return self.w1 * inputs[0] + self.w2 * inputs[1]

    def compute_output_shape(self, input_shape):
        return input_shape

    调用的时候直接和那些Conv2D Layer的调用一样，即：

x = ClassifierLayer(name="scores_add")([score1, score2])

    用Netron打开H5模型，可以看到我们自定义的层及其可学习的参数。（名字是我专门改的，所以和代码对不上）