溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編這次要給大家分享的是keras如何使用Lambda快速新建層和添加多個參數，文章內容豐富，感興趣的小伙伴可以來了解一下，希望大家閱讀完這篇文章之后能夠有所收獲。
keras許多簡單操作，都需要新建一個層，使用Lambda可以很好完成需求。
# 額外參數
def normal_reshape(x, shape):
return K.reshape(x,shape)
output = Lambda(normal_reshape, arguments={'shape':(-1, image_seq, 1000)})(output)
output = Lambda(lambda inp: K.mean(inp, axis=1), output_shape=(1000,))(output)更多參考
補充知識：keras 實現包括batch size所在維度的reshape，使用backend新建一層 針對多輸入使用不同batch size折衷解決辦法
新建層，可以在此層內使用backend完成想要的功能，如包含batch size維度在內的reshpe：
def backend_reshape(x): return backend.reshape(x, (-1, 5, 256))
使用lambda方法調用層：
vision_model.add(Lambda(backend_reshape, output_shape=(5, 256)))
注意指定輸出維度
在多輸入問題中，有時兩個輸入具有不同的batch size，但在keras無法直接實現。我所遇到的問題是，我有兩個輸入分別是圖像輸入和問題輸入，對于圖像輸入每個樣本是一個圖像序列。這就要求我們在把圖像序列輸入到CNN中時是一張一張圖像。
我的解決辦法是在輸入是把圖像序列作為一個樣本，等輸入進去后，通過上述的reshape方法將圖像序列重新拆分成一張張圖像輸入到CNN，然后在后期處理時重新reshape成一個序列樣本。
代碼：
image_seq = 4 def preprocess_reshape(x): return K.reshape(x, (-1, 224, 224,3)) def backend_reshape(x): return K.reshape(x, (-1, image_seq, 256))
image_input = Input(shape=(image_seq, 224, 224, 3) , name='input_img') image_re = Lambda(preprocess_reshape, output_shape=(224,224,3))(image_input) im_pre = Lambda(preprocess_input, name='preprocessing')(image_re)
vision_model.add(Lambda(backend_reshape, output_shape=(image_seq, 256))) vision_model.add(LSTM(256, kernel_regularizer=l2, recurrent_regularizer=l2))
看完這篇關于keras如何使用Lambda快速新建層和添加多個參數的文章，如果覺得文章內容寫得不錯的話，可以把它分享出去給更多人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
