子类以及lambda分别实现自定义DenseLayer层次
1.在介绍子类继承layer层自定义层次前,介绍两个查看参数的方法。
layer.variables 可以查看层次中的变量
layer.trainable_variables 可以查看可训练的变量
示例:
import tensorflow as tf
layer = tf.keras.layers.Dense(100, input_shape = [None, 5])
layer(tf.zeros([2,5]))
运算结果矩阵有200个数据,
layer.variables
截取一部分变量:
x * w + b
<tf.Variable ‘dense_2/kernel:0’ shape=(5, 100) dtype=float32, numpy=
array([[ 8.61696750e-02, -1.33024722e-01, -1.06008053e-02
kernel 表示 W 参数
<tf.Variable ‘dense_2/bias:0’ shape=(100,) dtype=float32, numpy=
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
bias 表示b偏差
同样我们可以查看可训练的参数
layer.trainable_variables
2.子类以及lambda分别实现自定义DenseLayer层次。
子类实现自定义是需要输入参数时使用,而如果我们不需要输入层次参数则可以选用lambda来构建自定义层次。
代码示例:
- 子类自定义实现
#customized dense layer
#使用子类继承Layer自定义
class CustomizedDenseLayer(keras.layers.Layer):
def __init__(self, units, activation = None, **kwargs):
self.units = units #层次单元
self.activation = keras.layers.Activation(activation)
super().__init__(**kwargs)
def build(self, input_shape):
"""构建所需要的函数"""
# x * w + b.
self.kernel = self.add_weight(name = 'kernel',
shape = (input_shape[1], self.units),
initializer = 'uniform',
trainable = True)
self.bias = self.add_weight(name = 'bias',
shape = (self.units, ),
initializer = 'zeros',
trainable = True
)
super().build(input_shape)
def call(self, x):
"""完成正向计算"""
return self.activation(x @ self.kernel + self.bias)
- lambda自定义实现,以softplus为例。
#如果自定义的函数不需要输入参数,则可以通过lambda来自定义层次
#tf.nn.softplus : log(1 + e^x)
Customized_softplus = keras.layers.Lambda(lambda x :tf.nn.softplus(x))
使用自定义层次构建网络:
#使用序贯模型Sequential tf.keras.models.sequential()
model = keras.models.Sequential([
#keras.layers.Flatten(input_shape = x_train.shape[1:]),如果数据已经展平,真不用再使用flatten。
#使用自定义层次
CustomizedDenseLayer(30, activation="relu",input_shape = x_train.shape[1:]),
CustomizedDenseLayer(1),
Customized_softplus,
#最后一层lambda自定义层次相当于以下两种写法
#keras.layers.Dense(1, activation = 'softplus')
#keras.layers.Dense(1) , keras.layers.Activation('softplus')
])