1. 参数列表
2. 作用
- 可以把任意的一个表达式作为一个“Layer”对象
- Lambda层之所以存在是因为它可以在构建Squential时使用任意的函数或者说tensorflow 函数。
- 在我们需要完成一些简单的操作(例如VAE中的重采样)的情况下,Lambda层再适合不过了。
3. 举个栗子(VAE)
- 可以看到通过在encoder和decoder中间加入一个Lambda层使得encoder和decoder连接起来,很方便
def sampling(agrs):
mean,logvar = agrs[0],agrs[1]
eps = tf.random.normal(tf.shape(mean))
return mean + eps*tf.exp(logvar * 0.5)
# 编码阶段
x = layers.Input(shape=(784,)) # 输入层
h1 = layers.Dense(200,activation='softplus')(x)
h2 = layers.Dense(200,activation='softplus')(h1)
# 均值和方差层不需要激活函数
mean = layers.Dense(latent_dimension)(h2)
log_var = layers.Dense(latent_dimension)(h2)
# 将采样过程看成一个Lambda层,这里利用自定义的sampling函数
z = layers.Lambda(sampling,output_shape=(latent_dimension,))([mean,log_var])
# 解码阶段
h3 = layers.Dense(200,activation='softplus')
h4 = layers.Dense(200,activation='softplus')
h5 = layers.Dense(200,activation='softplus')
# No activation
end = layers.Dense(784)
z1 = h3(z)
z2 = h4(z1)
z3 = h5(z2)
out = end(z3)
# 建立模型
model = tf.keras.Model(x,out)
4. Lambda层的缺点
换句话说,官方文档推荐使用 继承tf.keras.layers.Layer而不是使用Lambda的原因是前者可以更好的保存和检查模型。Lambda层通过序列化Python字节码保存,而使用子类层可以通过覆盖其get_config方法保存。重写get_config()方法提高了模型的可移植性。模型里边的层如果都继承自tf.keras.layers.Layer,会使模型更容易可视化和推理。
总结
当网络需要完成一些简单的操作时,可以考虑使用Lambda层。