keras中使用Lambda封装使用tf的函数经验记录（包含传入多个参数遇到的坑）

有很多函数是tf特有的，如果在keras模型中混用这些tf的函数，程序就会报错：提示你不是keras tensor！
那么这个时候就需要我们利用Lambda对tf的函数进行封装，最后利用keras.layer.Lambda把结果转成keras tensor即可~

我当时还遇到了一个问题：Lambda函数传两个参数的时候，会报TypeError: __init__() takes 2 positional argument but 3 were given，倒腾了半天，最终解决方法是：传参的时候加中括号[]，自定义函数里面通过索引访问传入的列表，比如：x[0],x[1],x[2],…

（这个方法是自己试出来的，因为在网上确实没搜到针对该问题的解决方案，真的是自己半猜半试出来的）

• 使用前先导包

from keras.layer import Lambda

• 下面是封装的tf的矩阵维度转换和矩阵乘法的函数

# 自定义封装矩阵维度转换
def my_permute(self, x):
        theta_d = tf.transpose(x, (0, 2, 1))
        return theta_d

# 自定义封装矩阵乘法
def my_matmul(self, x):
    res = tf.matmul(x[0], x[1])
    return res

theta_d = Lambda(self.my_permute)(theta_d)
SelfGuid = Lambda(self.my_matmul)([theta_d, phi_d])

• 无关的小补充：keras中add的函数传入的参数需要用中括号括起来~

from keras.layer import add
res = add([x,y])