上一节:
下一节:

  Keras - 自定义层

  • 简述

    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，没有任何限制。让我们在本章中学习如何创建新层。
    Keras 提供了一个基础层类，Layer 可以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，它将根据正态分布找到权重，然后在训练期间进行基本计算，即找到输入乘积与其权重的总和。

    第一步：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
    说明
    • backend用于访问点函数。
    • Layer是基类，我们将对其进行子类化以创建我们的层

    第二步：定义图层类

    让我们通过子类化Layer 类创建一个新类MyCustomLayer - 
    

class MyCustomLayer(Layer): 

   ...

    第三步：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)
    参数
    • 第 2 行设置输出维度。
    • 第 3 行调用基层或超层的init函数。

    第四步：实现构建方法

    build是主要方法，其唯一目的是正确构建图层。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)
    参数
    • 第 1 行使用一个参数input_shape定义了构建方法。输入数据的形状由 input_shape 引用。
    • 第 2 行创建与输入形状对应的权重并将其设置在内核中。这是我们层的自定义功能。它使用“正常”初始化程序创建权重。
    • 第 6 行调用基类build方法。

    第五步：实现调用方法

    call方法在训练过程中执行层的确切工作。
    我们自定义的调用方式如下 
    

def call(self, input_data): 

   return K.dot(input_data, self.kernel)
    参数
    • 第 1 行使用一个参数input_data定义调用方法。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

    第六步：实现 compute_output_shape 方法

    

def compute_output_shape(self, input_shape): return (input_shape[0], self.output_dim)
    参数
    • 第 1 行定义了带有一个参数input_shape的compute_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build、call和compute_output_shape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)

    使用我们的自定义层

    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()
    参数
    • 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 

_________________________________________________________________
上一节:
下一节: