我想要定义lambda层以将特征与叉积组合,然后合并这些模型,就像图。 ,我该怎么办?如何在keras中使用lambda层?
测试model_1,得到128个尺寸形成密集,使用pywt
得到两个64维特征(cA,cD
),然后返回CA *的cD //我当然希望两个模型结合起来,但第一次尝试model_1。
from keras.models import Sequential,Model
from keras.layers import Input,Convolution2D,MaxPooling2D
from keras.layers.core import Dense,Dropout,Activation,Flatten,Lambda
import pywt
def myFunc(x):
(cA, cD) = pywt.dwt(x, 'db1')
# x=x*x
return cA*cD
batch_size=32
nb_classes=3
nb_epoch=20
img_rows,img_cols=200,200
img_channels=1
nb_filters=32
nb_pool=2
nb_conv=3
inputs=Input(shape=(1,img_rows,img_cols))
x=Convolution2D(nb_filters,nb_conv,nb_conv,border_mode='valid',
input_shape=(1,img_rows,img_cols),activation='relu')(inputs)
x=Convolution2D(nb_filters,nb_conv,nb_conv,activation='relu')(x)
x=MaxPooling2D(pool_size=(nb_pool,nb_pool))(x)
x=Dropout(0.25)(x)
x=Flatten()(x)
y=Dense(128,activation='relu')(x)
cross=Lambda(myFunc,output_shape=(64,))(y)
predictions=Dense(nb_classes,activation='softmax')(cross)
model = Model(input=inputs, output=predictions)
model.compile(loss='categorical_crossentropy',optimizer='adadelta',metrics=['accuracy'])
model.fit(X_train,Y_train,batch_size=batch_size,nb_epoch=nb_epoch,
verbose=1,validation_data=(X_test,Y_test))
对不起,我可以问一个关于张量的问题吗?
import tensorflow as tf
W1 = tf.Variable(np.array([[1,2],[3,4]]))
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
array = W1.eval(sess)
print (array)
没错!然而,
from keras import backend as K
import numpy as np
kvar=K.variable(np.array([[1,2],[3,4]]))
K.eval(kvar)
print(kvar)
我<CudaNdarrayType(float32, matrix)>
和kvar.eval()
我b'CudaNdarray([[ 1. 2.]\n [ 3. 4.]])'
。我使用keras,所以如何使用keras获得类似tensorflow的数组?
所以,keras lambda函数需要的所有操作使用 “张量”。常用操作全部列在https://keras.io/backend/中。你必须找到一种以张量方式重写pywt.dwt的方法。不幸的是,这不是一件容易的事。我相信这个问题非常重要,我无法正确回答。 –
lambda层必须使用keras后端功能吗?我可以将张量转换为数组,然后使用pywt.dwt,然后将数组转换为张量? –
这是可能的,但是这会中断“图形”并且会带来错误。要转换数组中的张量,请使用“tensorVar.eval()”。要从数组创建张量,请使用“K.variable(arrayVar)”,其中K是keras.backend。 –