欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

keras 使用Lambda 快速新建层 添加多个参数操作

程序员文章站 2022-06-15 10:21:28
keras许多简单操作,都需要新建一个层,使用lambda可以很好完成需求。# 额外参数def normal_reshape(x, shape): return k.reshape(x,shape)...

keras许多简单操作,都需要新建一个层,使用lambda可以很好完成需求。

# 额外参数
def normal_reshape(x, shape):
 return k.reshape(x,shape)
 
output = lambda(normal_reshape, arguments={'shape':(-1, image_seq, 1000)})(output)
output = lambda(lambda inp: k.mean(inp, axis=1), output_shape=(1000,))(output)

补充知识:keras 实现包括batch size所在维度的reshape,使用backend新建一层 针对多输入使用不同batch size折衷解决办法

新建层,可以在此层内使用backend完成想要的功能,如包含batch size维度在内的reshpe:

def backend_reshape(x): return backend.reshape(x, (-1, 5, 256))

使用lambda方法调用层:

vision_model.add(lambda(backend_reshape, output_shape=(5, 256)))

注意指定输出维度

在多输入问题中,有时两个输入具有不同的batch size,但在keras无法直接实现。我所遇到的问题是,我有两个输入分别是图像输入和问题输入,对于图像输入每个样本是一个图像序列。这就要求我们在把图像序列输入到cnn中时是一张一张图像。

我的解决办法是在输入是把图像序列作为一个样本,等输入进去后,通过上述的reshape方法将图像序列重新拆分成一张张图像输入到cnn,然后在后期处理时重新reshape成一个序列样本。

代码:

image_seq = 4
def preprocess_reshape(x):
 return k.reshape(x, (-1, 224, 224,3))
 
def backend_reshape(x):
 return k.reshape(x, (-1, image_seq, 256))
image_input = input(shape=(image_seq, 224, 224, 3) , name='input_img')
image_re = lambda(preprocess_reshape, output_shape=(224,224,3))(image_input)
im_pre = lambda(preprocess_input, name='preprocessing')(image_re)

vision_model.add(lambda(backend_reshape, output_shape=(image_seq, 256))) vision_model.add(lstm(256, kernel_regularizer=l2, recurrent_regularizer=l2))

以上这篇keras 使用lambda 快速新建层 添加多个参数操作就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。