keras中的Lambda 层中的使用

欢迎关注公众号：python科技园，一起学习python。

官网介绍：Lambda

keras.layers.Lambda(function, output_shape=None, mask=None, arguments=None)

将任意表达式封装为 Layer 对象。

例如：

# 添加一个 x -> x^2 层
model.add(Lambda(lambda x: x ** 2))

# 添加一个网络层，返回输入的正数部分
# 与负数部分的反面的连接

def antirectifier(x):
    x -= K.mean(x, axis=1, keepdims=True)
    x = K.l2_normalize(x, axis=1)
    pos = K.relu(x)
    neg = K.relu(-x)
    return K.concatenate([pos, neg], axis=1)

def antirectifier_output_shape(input_shape):
    shape = list(input_shape)
    assert len(shape) == 2  # only valid for 2D tensors
    shape[-1] *= 2
    return tuple(shape)

model.add(Lambda(antirectifier,
                 output_shape=antirectifier_output_shape))

参数

• function: 需要封装的函数。 将输入张量作为第一个参数。
• output_shape: 预期的函数输出尺寸。 只在使用 Theano 时有意义。 可以是元组或者函数。 如果是元组，它只指定第一个维度； 样本维度假设与输入相同： output_shape = (input_shape[0], ) + output_shape 或者，输入是 None 且样本维度也是 None： output_shape = (None, ) + output_shape 如果是函数，它指定整个尺寸为输入尺寸的一个函数： output_shape = f(input_shape)
• arguments: 可选的需要传递给函数的关键字参数。

输入尺寸

任意。当使用此层作为模型中的第一层时， 使用参数 input_shape （整数元组，不包括样本数的轴）。

输出尺寸

由 output_shape 参数指定 (或者在使用 TensorFlow 时，自动推理得到)。

 

示例1：keras中的Lambda 层中的使用

from keras.layers import Lambda
from keras.models import Input, Model
import numpy as np
import keras.backend as K


a = Input(shape=(2, ))
b = Input(shape=(2, ))


def minus(inputs):
    x, y = inputs
    return K.mean(x-y, axis=1)


minus_layer = Lambda(minus, name='minus')([a, b])
model = Model(inputs=[a, b], outputs=[minus_layer])
print(model.summary())


# To test

v0 = np.array([5, 2])
v1 = np.array([8, 4])
v2 = np.array([3, 2])
print(model.predict([v0.reshape(1, 2), v1.reshape(1, 2)]))
print(model.predict([v0.reshape(1, 2), v2.reshape(1, 2)]))
print(model.predict([np.array([v0, v0]), np.array([v1, v2])]))

示例2：keras Lambda自定义层实现数据的切片，Lambda传参数

（1）代码如下：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation,Reshape
from keras.layers import merge
from keras.utils.visualize_util import plot
from keras.layers import Input, Lambda
from keras.models import Model
 
def slice(x,index):
    return x[:, :, index]
 
a = Input(shape=(4, 2))
x1 = Lambda(slice, output_shape=(4,1), arguments={'index':0})(a)
x2 = Lambda(slice, output_shape=(4,1), arguments={'index':1})(a)

x1 = Reshape((4,1,1))(x1)
x2 = Reshape((4,1,1))(x2)
output = merge([x1,x2], mode='concat')
model = Model(a, output)


x_test = np.array([[[1,2],[2,3],[3,4],[4,5]]])
print(model.predict(x_test))

plot(model, to_file='lambda.png', show_shapes=True)

（2）注意Lambda 是可以进行参数传递的，传递的方式如下代码所述：

def slice(x,index):
    return x[:, :, index]

如上，index是参数，通过字典将参数传递进去。

x1 = Lambda(slice, output_shape=(4,1), arguments={'index':0})(a)
x2 = Lambda(slice, output_shape=(4,1), arguments={'index':1})(a)

（3）上述代码实现的是，将矩阵的每一列提取出来,然后单独进行操作，最后在拼在一起。可视化的图如下所示。

 

参考：

1. lambda官网

2. keras中的Lambda 层中的使用

3. keras Lambda自定义层实现数据的切片，Lambda传参数

4. Keras中自定义复杂的loss函数