如果然后在keras/tensorflow中执行Lambda层

Question

我用这个把头发都扯掉了。

我在这里问了一个问题，如果在自定义的不可训练的keras层内，但我仍然有困难。

我尝试了他的解决方案，但没有成功——我想我应该用他的解决方案发布我的完整代码

我有一个自定义的Keras层，我想从特定的输入返回特定的输出。我不希望它是可训练的。

该层应执行以下

if input = [1,0] then output = 1
if input = [0,1] then output = 0

以下是执行此操作的lambda层代码：

input_tensor = Input(shape=(n_hots,))

def custom_layer_1(tensor):
    if tensor == [1,0]:
        resp_1 = np.array([1,],dtype=np.int32)
        k_resp_1 = backend.variable(value=resp_1)
        return k_resp_1
    elif tensor == [0,1]:
        resp_0 = np.array([0,],dtype=np.int32)
        k_resp_0 = backend.variable(value=resp_0)
        return k_resp_0
    else:
        resp_e = np.array([-1,])
        k_resp_e = backend.variable(value=resp_e)
        return k_resp_e
    print(tensor.shape)
layer_one = keras.layers.Lambda(custom_layer_1,output_shape = (None,))(input_tensor)

_model = Model(inputs=input_tensor, outputs = layer_one)

当我拟合我的模型时，它总是计算-1，尽管有输入。

这就是模型的样子：

Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 2)                 0         
_________________________________________________________________
lambda_1 (Lambda)            (None, None)              0         
=================================================================
Total params: 0
Trainable params: 0
Non-trainable params: 0

以下是该型号的完整代码：

import numpy as np
from keras.models import Model
from keras import layers
from keras import Input
from keras import backend
import keras
from keras import models
import tensorflow as tf

# Generate the datasets:
n_obs = 1000
n_hots = 2
obs_mat = np.zeros((n_obs,n_hots),dtype=np.int32)
resp_mat = np.zeros((n_obs,1),dtype=np.int32)
# which position in the array should be "hot" ?
hot_locs = np.random.randint(n_hots, size=n_obs)
# set the bits:
for row,loc in zip(np.arange(n_obs),hot_locs):
    obs_mat[row,loc] = 1
for idx in np.arange(n_obs):
    if( (obs_mat[idx,:]==[1,0]).all() == True ):
        resp_mat[idx] = 1
    if( (obs_mat[idx,:]==[0,1]).all() == True ):
        resp_mat[idx] = 0
# test data:
test_suite = np.identity(n_hots)
# Build the network
input_tensor = Input(shape=(n_hots,))

def custom_layer_1(tensor):
    if tensor == [1,0]:
        resp_1 = np.array([1,],dtype=np.int32)
        k_resp_1 = backend.variable(value=resp_1)
        return k_resp_1
    elif tensor == [0,1]:
        resp_0 = np.array([0,],dtype=np.int32)
        k_resp_0 = backend.variable(value=resp_0)
        return k_resp_0
    else:
        resp_e = np.array([-1,])
        k_resp_e = backend.variable(value=resp_e)
        return k_resp_e
    print(tensor.shape)
layer_one = keras.layers.Lambda(custom_layer_1,output_shape = (None,))(input_tensor)

_model = Model(inputs=input_tensor, outputs = layer_one)
# compile
_model.compile(optimizer="adam",loss='mse')
#train (even thought there's nothing to train)
history_mdl = _model.fit(obs_mat,resp_mat,verbose=True,batch_size = 100,epochs = 10)
# test
_model.predict(test_suite)
# outputs: array([-1., -1.], dtype=float32)
test = np.array([1,0])
test = test.reshape(1,2)
_model.predict(test,verbose=True)
# outputs: -1

这看起来很简单，为什么它不起作用？感谢

Answer 1

有几个原因：

• 您正在比较2D张量(samples, hots)和1D张量(hots)
• 您在任何结果中都没有考虑批量大小
• 当tf是一个张量框架时，使用普通的if可能不会得到好的结果

因此，建议是：

from keras import backend as K
def custom_layer(tensor):
    #comparison tensors with compatible shape 2D: (dummy_batch, hots)
    t10 = K.reshape(K.constant([1,0]), (1,2))
    t01 = K.reshape(K.constant([0,1]), (1,2))
    #comparison results - elementwise - shape (batch_size, 2)
    is_t10 = K.equal(tensor, t10)
    is_t01 = K.equal(tensor, t01)
    #comparison results - per sample - shape (batch_size,)
    is_t10 = K.all(is_t10, axis=-1)
    is_t01 = K.all(is_t01, axis=-1)
    #result options
    zeros = K.zeros_like(is_t10, dtype='float32') #shape (batch_size,)
    ones = K.ones_like(is_t10, dtype='float32')   #shape (batch_size,)
    negatives = -ones                             #shape (batch_size,)
    #selecting options
    result_01_or_else = K.switch(is_t01, zeros, negatives)
    result = K.switch(is_t10, ones, result_01_or_else)
    return result

警告：

• 这个层是不可微分的(它返回常量(-你将无法训练这个层之前的任何东西，如果你尝试，你会得到"一个操作具有None的梯度"错误
• 输入tensor不能是其他层的输出，因为您要求它是精确的1或0