在Keras中,如何在编译模型后更改lambda图层?
更具体地说,假设我想要一个lambda图层来计算private void dataGridView1_CellClick(object sender, DataGridViewCellEventArgs e)
{
int indexRow = e.RowIndex;
if (indexRow>=0)
{
DataGridViewRow row = dataGridView1.Rows[indexRow];
txtDelete.Text = row.Cells[0].Value.ToString();
}
}
,y=a*x+b
和a
每个时期都会被更改。
b
这会返回两次import keras
from keras.layers import Input, Lambda, Dense
import numpy as np
np.random.seed(seed=42)
a = 1
b = 2
def f(x, a, b):
return a * x + b
inputs = keras.layers.Input(shape=(3,))
lam = Lambda(f, arguments={"a": a, "b": b})(inputs)
out = keras.layers.Dense(5)(lam)
model = keras.models.Model(inputs, out)
model.trainable = False
model.compile(optimizer='rmsprop', loss='mse')
x1 = np.random.random((10, 3))
x2 = np.random.random((10, 5))
model.fit(x1, x2, epochs=1)
print("Updating. But that won't work")
a = 10
b = 20
model.fit(x1, x2, epochs=1)
,其中应返回loss: 5.2914
,然后loss: 5.2914
。
据我所知,这似乎是open issue,可以通过编写自定义图层来解决,但我还没有让它工作。
欢迎任何指导。
答案 0 :(得分:0)
如果您使用a
和b
作为张量,即使在编译后也可以更改其值。
有两种方法。在一个方面,您将a
和b
视为全局变量,并从函数外部获取它们:
import keras.backend as K
a = K.variable([1])
b = K.variable([2])
def f(x):
return a*x + b #see the vars coming from outside here
#....
lam = Lambda(f)(inputs)
您可以随时手动拨打K.set_value(a,[newNumber])
。
K.set_value(a,[10])
K.set_value(b,[20])
model.fit(x1,x2,epochs=1)
在另一种方法中(我不知道是否有优势,但......听起来至少组织得更好),您可以将a
和b
作为模型的输入:
a = K.variable([1])
b = K.variable([2])
aInput = Input(tensor=a)
bInput = Input(tensor=b)
def f(x):
return x[0]*x[1] + x[2] #here, we input all tensors in the function
#.....
lam = Lambda(f)([inputs,aInput,bInput])
您可以像设置其他方法一样设置a
和b
的值。