【Python-Keras】keras.layers.Lambda解析与使用

悠悠 2023-01-01 10:55 182阅读 0赞

### 目录 ###

*  1 作用
 *  2 参数解析
 *   *   *  keras.layers.core.Lambda(function, output\_shape=None, mask=None, arguments=None)
 *  3 举例
 *   *  3.1 传参举例
     *  3.2 简单Demo
     *  3.3 利用Lambda表达式实现某层数据的切片

# 1 作用 #

**Lambda表达式：** 用一行代码去表示一个函数，简化和美观代码。

**keras.layers.Lambda()：** 是Lambda表达式的应用。指定在神经网络模型中，如果某一层需要通过一个函数去变换数据，那利用keras.layers.Lambda()这个函数单独把这一步数据操作命为单独的一Lambda层。

# 2 参数解析 #

> ### keras.layers.core.Lambda(function, output\_shape=None, mask=None, arguments=None) ###

**参数**

*  function：要实现的函数，该函数仅接受一个变量，即神经网络上一层的输出
 *  output\_shape：函数应该返回的值的shape，可以是一个tuple，也可以是一个根据输入shape计算输出shape的函数
 *  mask: 掩膜
 *  arguments：可选，是字典格式，用来传参

# 3 举例 #

## 3.1 传参举例 ##

arguments参数，利用字典格式来传参

# index是参数,
    def slice(x,index):
        return x[:,:,index]
    
    # 通过字典将参数index = 0传递进去
    x1 = Lambda(slice,output_shape=(4,1),arguments={ 'index':0})(a)
    # 通过字典将参数index = 1 传递进去
    x2 = Lambda(slice,output_shape=(4,1),arguments={ 'index':1})(a)

## 3.2 简单Demo ##

from keras.layers import Lambda
    from keras.models import Input, Model
    import numpy as np
    
    ## 第一步 定义模型
    # 初始化两个输入形参
    a = Input(shape=(2, ))
    b = Input(shape=(2, ))
     
    # 定义lambda要执行的函数
    def minus(inputs):
        x, y = inputs
        return (x+y)
    # 使用lambda表达式，对函数进行传参
    minus_layer = Lambda(minus, name='minus')([a, b])
    model = Model(inputs=[a, b], outputs=[minus_layer])
    
    ## 第二步 测试模型
    # 随便定义的两个数组
    v0 = np.array([5, 2])
    v1 = np.array([8, 4])
    # 转成1*2的矩阵后测试模型
    print(model.predict([v0.reshape(1, 2), v1.reshape(1, 2)]))

## 3.3 利用Lambda表达式实现某层数据的切片 ##

Lambda传参数  
参考文档：[keras Lambda自定义层实现数据的切片,Lambda传参数][keras Lambda_Lambda]

import numpy as np
    from keras.models import Sequential
    from keras.layers import Dense, Activation,Reshape
    from keras.layers import merge
    from keras.utils.visualize_util import plot
    from keras.layers import Input, Lambda
    from keras.models import Model
     
    def slice(x,index):
            return x[:,:,index]
     
    a = Input(shape=(4,2))
    x1 = Lambda(slice,output_shape=(4,1),arguments={ 'index':0})(a)
    x2 = Lambda(slice,output_shape=(4,1),arguments={ 'index':1})(a)
    x1 = Reshape((4,1,1))(x1)
    x2 = Reshape((4,1,1))(x2)
    output = merge([x1,x2],mode='concat')
    model = Model(a, output)
    x_test = np.array([[[1,2],[2,3],[3,4],[4,5]]])
    print model.predict(x_test)
    plot(model, to_file='lambda.png',show_shapes=True)

上述代码实现的是,将矩阵的每一列提取出来,然后单独进行操作,最后在拼在一起。可视化的图如下所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]

[keras Lambda_Lambda]: https://blog.csdn.net/lujiandong1/article/details/54936185
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/bd63001e733a47968114918a7f929e74.png