one-stage之自定义层

keras 提供众多常见的已编写好的层对象,例如常见的卷积层,池化层等,我们可以直接通过代码调用,keras中的层大致上分为两种类型

第一种是带有训练参数的,比如Dense层,Conv2D层等等,我们在训练的过程中需要训练层的权重和偏置项.

第二种是不带训练参数的,比如dropout层,flatten层等等,我们不需要训练它的权重,只需要对输入进行加工处理再输出就行了.

在实际应用中,我们经常需要自己构建一些层对象,一满足某些自定义网络的特殊需求,也无非就是上面两种,一种是带有参数的,一种是不带参数的,不管是哪一种,幸运的是,keras对自定义层都提供了良好的支持.

下面我们着重来看下自定义层,对于自定义层来说,必须要实现3个核心的方法

(1)build 方法(input_shape):这是定义权重的方法,可训练的权重应该在这里被加入列表self.trainable_weights中,其他的属性还包括self.non_trainable_weights(列表),和self.updates(,但在one-stage中,没见到写这个方法.

(2) call 方法这个是定义层功能的方法,除非你希望你写的层支持masking,否则你只需要关心call的第一个参数:输入张量

在自定义层kenal-->layers-->_misc.py-->class RegresBoxes,call方法是

    def call(self, inputs, **kwargs):
        anchors, regression = inputs
        return backend.bbox_transform_inv(anchors, regression, mean=self.mean, std=self.std)

(3) compute_output_shape(input_shape)方法,如果你的层修改了输入数据的shape,你应该在这里指定shape变化的方法,这个山数使得keras可以做自动shape推断.在自定义层kenal-->layers-->_misc.py-->class RegresBoxes, compute_output_shape(

方法是

    def compute_output_shape(self, input_shape):
        return input_shape[0]