Keras - 定制层

Keras 允许创建我们自己的自定义层。一旦创建了新层，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图层。

Keras 提供了一个基础层类 Layer，它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，找到输入与其权重的乘积之和。

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

这里，

  • 后端用于访问点函数。

  • 图层是基类，我们将对其进行子类化以创建图层

步骤2：定义图层类

让我们通过子类化Layer 类来创建一个新类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)

这里，

  • 第 2 行设置输出维度。

  • 第 3行调用基础层或超级层的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。它可以执行与层内部工作相关的任何操作。一旦自定义功能完成，我们就可以调用基类的构建函数。我们的自定义构建函数如下 -

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)

这里，

  • 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 行创建与输入形状相对应的权重并将其设置在内核中。这是我们该层的自定义功能。它使用“正常”初始化器创建权重。

  • 第 6行调用基类的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)

这里，

  • 第 1 行定义了带有一个参数input_data的call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)

这里，

  • 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。

实现构建、调用和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)

使用我们的定制层

让我们使用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()

这里，

  • 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，如下所示 -

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 
_________________________________________________________________