keras slice layer 层实现方式

注意的地方： keras中每层的输入输出的tensor是张量， 比如tensor shape是（n, h, w, c), 对于tf后台， channels_last

define a slice layer using lamda layer
def slice(x, h1, h2, w1, w2):
 """ define a tensor slice function
 """
 return x[:, h1:h2, w1:w2, :]

定义完slice function之后，利用lambda layer添加到定义的网络中去

# add slice layer
slice_1 = lambda(slice, arguments={'h1': 0, 'h2': 6, 'w1': 0, 'w2': 6})(sliced)
# as for tensorfow backend, lambda doesn't need output shape argument
slice_2 = lambda(slice, arguments={'h1': 0, 'h2': 6, 'w1': 6, 'w2': 12})(sliced)

补充知识：tensorflow和keras张量切片（slice）

notes

想将一个向量 分割成两部分： 操作大概是：

在 tensorflow 中，用 tf.slice 实现张量切片，keras 中自定义 lambda 层实现。

tensorflow

tf.slice(input_, begin, size, name=none)

input_：tf.tensor，被操作的 tensor

begin：list，各个维度的开始下标

size：list，各个维度上要截多长

import tensorflow as tf

with tf.session() as sess:
 a = tf.constant([1, 2, 3, 4, 5])
 b = tf.slice(a, [0], [2]) # 第一个维度从 0 开始，截 2 个
 c = tf.slice(a, [2], [3]) # 第一个维度从 2 开始，截 3 个
 print(a.eval())
 print(b.eval())
 print(c.eval())

输出

[1 2 3 4 5]
[1 2]
[3 4 5]

keras

from keras.layers import lambda
from keras.models import sequential
import numpy as np

a = np.array([[1, 2, 3, 4, 5]])
model = sequential([
 lambda(lambda a: a[:, :2], input_shape=[5]) # 第二维截前 2 个
])

print(model.predict(a))

输出

[[1. 2.]]

以上这篇keras slice layer 层实现方式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。