Question

我在tensorflow中有一个脚本，其中包含自定义tensorflow操作。我想将代码移植到keras，但不确定如何在keras代码中调用自定义操作。

我想在keras中使用tensorflow，所以到目前为止我发现的教程描述了与我想要的相反的东西：https://blog.keras.io/keras-as-a-simplified-interface-to-tensorflow-tutorial.html。

我还阅读了有关可以包装任意自定义函数的Lambda层的信息，但是我没有看到tf.ops的示例。

如果您能提供一个带有最简单示例的代码片段，我将不胜感激。例如，假设tf.ops为：

outC = my_custom_op(inA, inB)

---编辑： here中描述了类似的问题-本质上是在keras中调用this自定义op，但是我无法掌握如何将其应用于我想要的另一个示例（例如this）上的解决方案。这个自定义tf op首先被编译（针对gpu），然后到目前为止在here中在tensorflow中使用，请参阅@第40行。对我来说，很清楚如何使用包装在Lambda层中的自定义（lambda）函数，我想了解的是，如果使用keras，如何使用编译后的自定义操作。

Answer 1

您可以将任意张量流函数包装在keras Lambda层中并将其添加到模型中。最小的工作示例from this answer：

import tensorflow as tf
from keras.layers import Dense, Lambda, Input
from keras.models import Model

W = tf.random_normal(shape=(128,20))
b = tf.random_normal(shape=(20,))

inp = Input(shape=(10,))
x = Dense(128)(inp)
# Custom linear transformation
y = Lambda(lambda x: tf.matmul(x, W) + b, name='custom_layer')(x) 
model = Model(inp, y)

在Keras中使用自定义Tensorflow Ops

1 个答案: