【实验踩坑小结】keras中的Lambda层使用

适用场合：

只要使用Model，就必须保证该函数内的所有层继承自keras中Layer的层。当我们有以下需求时，可以尝试使用keras中的Lambda层：

（1）当我们需要使用其他层进行相应操作（如keras.backend），或者使用tensorflow中的某些函数（如tf.reduce_max）时。

（2）进行常数或者维度不匹配的tensor与tensor的算术运算（广播机制）。

使用方法：

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

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。

(1)在同一个函数内部使用

import keras.backend as K
from keras.layers import Lambda
import tensorflow as tf

maxpool_spatial = Lambda(lambda x: tf.reduce_max(x,axis=3,keepdims=True))(channel_refined_feature)
refined_feature = Lambda(lambda x: x[0] *x[1])([channel_refined_feature, spatial_attention])
spatial_attention = Lambda(lambda x: x *0.8)(refined_feature)

//也可以先预定义一下，再后面直接使用
//只允许有一个参数，所有有多个时，可以以列表的形式列举出来[a,b,c]
my_concat = Lambda(lambda x: K.concatenate([x[0], x[1]], axis=3))
concate1 = my_concat([up1, layer1])
concate2 = my_concat([up2, layer2])

（2）另外封装成新的函数

def myconcat(x):
	my_concat = K.concatenate([x[0], x[1]], axis=3)
	return my_concat

def myNet():
	
	concate1 = Lambda(myconcat)([up1, layer1])

常见错误：

（1）AttributeError ‘NoneType’ object has no attribute ‘_inbound_nodes’

只要使用Model，就必须保证该函数内的所有层继承自keras中Layer的层。检查搭建函数的过程中的所有操作是否都来自keras.layers层。

（2）AttributeError ‘tuple’ object has no attribute ‘layer’
注意事项： 确保Lambda层中的函数（除了在封装函数中使用keras.layers），都是无需训练的操作，没有可学习的权重等等（如使用了tf.layers.dense）。