快捷導(dǎo)航

使用Keras實(shí)現(xiàn)Tensor的相乘和相加代碼

更新時(shí)間：2020年06月18日 11:10:34 作者：guofuzheng

這篇文章主要介紹了使用Keras實(shí)現(xiàn)Tensor的相乘和相加代碼，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧

前言

最近在寫行為識(shí)別的代碼，涉及到兩個(gè)網(wǎng)絡(luò)的融合，這個(gè)融合是有加權(quán)的網(wǎng)絡(luò)結(jié)果的融合，所以需要對(duì)網(wǎng)絡(luò)的結(jié)果進(jìn)行加權(quán)（相乘）和融合（相加）。

最初的想法

最初的想法是用Keras.layers.Add和Keras.layers.Multiply來做，后來發(fā)現(xiàn)這樣會(huì)報(bào)錯(cuò)。

rate_rgb = k.variable(np.ones((1024,),dtype='float32')*0.8)
rate_esti = k.variable(np.ones((1024,),dtype='float32')*0.2)
weight_gru1 = Multiply()([rate_rgb,gru1])
weight_gru2 = Multiply()([rate_esti,gru2])
last = Add()([weight_gru1,weight_gru2])

這么寫會(huì)報(bào)錯(cuò)，如下

AttributeError: 'Variable' object has no attribute '_keras_history'

正確做法

后來在網(wǎng)上參考大神的博客，改為如下

weight_1 = Lambda(lambda x:x*0.8)
weight_2 = Lambda(lambda x:x*0.2)
weight_gru1 = weight_1(gru1)
weight_gru2 = weight_2(gru2)
last = Add()([weight_gru1,weight_gru2])

這樣就沒問題了。

補(bǔ)充知識(shí)：Keras天坑：想當(dāng)然的對(duì)層的直接運(yùn)算帶來的問題

天坑

keras如何操作某一層的值（如讓某一層的值取反加1等）？keras如何將某一層的神經(jīng)元拆分以便進(jìn)一步操作（如取輸入的向量的第一個(gè)元素乘別的層）？keras如何重用某一層的值（如輸入層和輸出層乘積作為最終輸出）？

這些問題都指向同一個(gè)答案，即使用Lambda層。

另外，如果想要更加靈活地操作層的話，推薦使用函數(shù)式模型寫法，而不是序列式。

Keras當(dāng)中，任何的操作都是以網(wǎng)絡(luò)層為單位，操作的實(shí)現(xiàn)都是新添一層，不管是加減一個(gè)常數(shù)還是做乘法，或者是對(duì)兩層的簡(jiǎn)單拼接。所以，將一層單獨(dú)劈一半出來，是一件難事。強(qiáng)調(diào)，Keras的最小操作單位是Layer，每次操作的是整個(gè)batch。自然，在keras中，每個(gè)層都是對(duì)象，可以通過dir(Layer對(duì)象)來查看具有哪些屬性。然而，Backend中Tensorflow的最小操作單位是Tensor，而你搞不清楚到底是Layer和Tensor時(shí)，盲目而想當(dāng)然地進(jìn)行層的操作，就會(huì)出問題。到底是什么？通過type和shape是看不出來的。

如果你只是想對(duì)流經(jīng)該層的數(shù)據(jù)做個(gè)變換，而這個(gè)變換本身沒有什么需要學(xué)習(xí)的參數(shù)，那么直接用Lambda Layer是最合適的了。

也就是說，對(duì)每一層的加減乘除都得用keras的函數(shù)，你不能簡(jiǎn)單使用形如 ‘new_layer' =1−= 1-=1−'layer'這樣的表達(dá)方式來對(duì)層進(jìn)行操作。

當(dāng)遇到如下報(bào)錯(cuò)信息：

AttributeError: 'NoneType' object has no attribute '_inbound_nodes'

或

TypeError: 'Tensor' object is not callable

等等

這是就要考慮一下將程序中層的操作改成Lambda的方式表達(dá)。

使用Lambda編寫自己的層

Lamda層怎么用？官方文檔給了這樣一個(gè)例子。

# add a x -> x^2 layer
model.add(Lambda(lambda x: x ** 2))

# add a layer that returns the concatenation
# of the positive part of the input and
# the opposite of the negative part

def antirectifier(x):
  x -= K.mean(x, axis=1, keepdims=True)
  x = K.l2_normalize(x, axis=1)
  pos = K.relu(x)
  neg = K.relu(-x)
  return K.concatenate([pos, neg], axis=1)

def antirectifier_output_shape(input_shape):
  shape = list(input_shape)
  assert len(shape) == 2 # only valid for 2D tensors
  shape[-1] *= 2
  return tuple(shape)

model.add(Lambda(antirectifier,
     output_shape=antirectifier_output_shape))

乍一看，有點(diǎn)懵逼，什么亂七八糟的。事實(shí)上，很簡(jiǎn)單，假設(shè)L0和L1是兩層，你只要將你形如下面這樣的表達(dá)：