Keras 自定义层

2021-10-15 14:50 更新

Keras 允许创建我们自己的自定义层。一旦创建了一个新层,它就可以在任何模型中使用而不受任何限制。让我们在本章中学习如何创建新层。

Keras 提供了一个基础类,Layer 可以对其进行子类化以创建我们自己的自定义层。让我们创建一个简单的层,它会根据正态分布找到权重,然后在训练期间进行基本计算,找到输入与权重的乘积之和。

第 1 步:导入必要的模块

首先,让我们导入必要的模块:

from keras import backend as K 
from keras.layers import Layer
  • backend (后端):用于访问dot函数。
  • layer (层):是基类,我们将对其进行子类化以创建我们的层

第 2 步:定义一个图层类

让我们创建一个新类MyCustomLayer通过子类化 Layer 类:

class MyCustomLayer(Layer): 
   ...

第 3 步:初始化图层类

让我们初始化我们的新类,如下所示:

def __init__(self, output_dim, **kwargs):    
   self.output_dim = output_dim 
   super(MyCustomLayer, self).__init__(**kwargs)
  • 第 2 行 设置输出维度。
  • 第 3 行 调用基础层或超层的 init 函数。

第 4 步:实现构建方法

build是主要方法,其唯一目的是正确构建层。它可以做任何与层的内部工作相关的事情。自定义功能完成后,我们可以调用基类构建函数。我们的自定义构建功能如下:

def build(self, input_shape): 
   self.kernel = self.add_weight(name = 'kernel', 
      shape = (input_shape[1], self.output_dim), 
      initializer = 'normal', trainable = True) 
   super(MyCustomLayer, self).build(input_shape)
  • 第 1 行 定义了带有一个参数input_shape的构建方法。输入数据的形状由 input_shape 引用。
  • 第 2 行 创建对应于输入形状的权重并将其设置在内核中。这是我们对图层的自定义功能。它使用“正常”初始化程序创建权重。
  • 第 6 行调用基类build方法。

第 5 步:实现call方法

call方法在训练过程中执行该层的确切工作。 我们自定义的调用方法如下:

def call(self, input_data): 
   return K.dot(input_data, self.kernel)
  • 第 1 行 定义了带有一个参数input_datacall方法。input_data 是我们层的输入数据。
  • 第 2 行 返回输入数据input_data和我们层的内核self.kernel的点积

第 6 步:实现compute_output_shape方法

def compute_output_shape(self, input_shape): 
    return (input_shape[0], self.output_dim)
  • 第 1 行 定义了带有一个参数input_shapecompute_output_shape方法
  • 第 2 行 在初始化层时使用输入数据的形状和输出维度集计算输出形状。

实现buildcallcompute_output_shape 就完成了自定义层的创建。最终完整的代码如下:

from keras import backend as K from keras.layers import Layer
class MyCustomLayer(Layer): 
   def __init__(self, output_dim, **kwargs): 
      self.output_dim = output_dim 
      super(MyCustomLayer, self).__init__(**kwargs) 
   def build(self, input_shape): self.kernel = 
      self.add_weight(name = 'kernel', 
      shape = (input_shape[1], self.output_dim), 
      initializer = 'normal', trainable = True) 
      super(MyCustomLayer, self).build(input_shape) # 
      Be sure to call this at the end 
   def call(self, input_data): return K.dot(input_data, self.kernel) 
   def compute_output_shape(self, input_shape): 
    return (input_shape[0], self.output_dim)

使用我们的定制层

让我们使用我们的自定义层创建一个简单的模型,如下所示:

from keras.models import Sequential 
from keras.layers import Dense 


model = Sequential() 
model.add(MyCustomLayer(32, input_shape = (16,))) 
model.add(Dense(8, activation = 'softmax')) model.summary()
  • 我们的MyCustomLayer使用 32 个单位和(16,)作为输入形状添加到模型中

运行应用程序将打印模型摘要如下:

Model: "sequential_1" 
_________________________________________________________________ 
Layer (type) Output Shape Param 
#================================================================ 
my_custom_layer_1 (MyCustomL (None, 32) 512 
_________________________________________________________________
dense_1 (Dense) (None, 8) 264 
================================================================= 
Total params: 776 
Trainable params: 776 
Non-trainable params: 0 
_________________________________________________________________
以上内容是否对您有帮助:
在线笔记
App下载
App下载

扫描二维码

下载编程狮App

公众号
微信公众号

编程狮公众号