写在前面的话
keras已经有很多封装好的库供我们调用,但是有些时候我们需要的操作keras并没有,这时就需要学会自定义keras层了
1.Lambda
这个东西很方便,但是只能完成简单、无状态的自定义操作,而不能建立含有可训练权重的自定义层。
from keras.layers import Input,Lambda
from keras import Model
import tensorflow as tf
input=Input(shape=(224,224,3))
input.shape #Input第一个维度为batchsize维度
output=Lambda(lambda x: x[...,1])(input) #取最后一个维度的数据,...表示前面所有的维度
Model=Model(inputs=input,outputs=output)
Model.output
2.keras_custom
学习自keras中文文档
2.自定义keras层(带有可训练权重)
① build:定义权重,且self.build=True,可以通过迪奥哟经super([layer],self).build()完成
② call:功能逻辑实现
③ compute_output_shape:计算输出张量的shape
import keras.backend as K
from keras.engine.topology import Layer #这里的Layer是一个父类,下面的MyLayer将会继承Layer
class MyLayer(Layer): #自定义一个keras层类
def __init__(self,output_dim,**kwargs): #初始化方法
self.output_dim=output_dim
super(MyLayer,self).__init__(**kwargs) #必须要的初始化自定义层
def build(self,input_shape): #为Mylayer建立一个可训练的权重
#通过add_weight的形式来为Mylayer创建权重矩阵
self.kernel=self.add_weight(name='kernel',
shape=(input_shape[1],self.output_dim), #这里就是建立一个shape大小的权重矩阵
initializer='uniform',
trainable=True)
super(MyLayer,self).build(input_shape) #一定要用,也可以用下面一行
#self.build=True
def call(self,x): #call函数里就是定义了对x张量的计算图,且x只是一个形式,所以不能被事先定义
return K.dot(x,self.kernel) #矩阵乘法
def compute_output_shape(self,input_shape):
return (input_shape[0],self.output_dim) #这里是自己手动计算出来的output_shape
--------------------------------------------------------------------------------
class Mylayer(Layer):
def __init__(self,output_dim,**kwargs):
self.output_dim=output_dim
super(MyLayer,self).__init__(**kwargs)
def build(self,input_shape):
assert isinstance(input_shape,list) #判断input_shape是否是list类型的
self.kernel=self.add_weight(name='kernel',
shape=(input_shape[0][1],self.output_dim), #input_shape应该长得像[(2,2),(3,3)]
initializer='uniform',
trainable=True)
super(MyLayer,self).build(input_shape)
def call(self,x):
assert isinstance(x,list)
a,b=x #从这里可以看出x应该是一个类似[(2,2),(3,3)]的list,a=(2,2),b=(3,3)
return [K.dot(a,self.kernel)+b,K.mean(b,axis=-1)]
本人现在的研究方向是:
图像的语义分割,如果有志同道合的朋友,可以组队学习
haiyangpengai@gmail.com qq:1355365561