Question

我想做的是向网络的输出添加一个常数张量：

inputs = Input(shape=(config.N_FRAMES_IN_SEQUENCE, config.IMAGE_H, config.IMAGE_W, config.N_CHANNELS))
cnn = VGG16(include_top=False, weights='imagenet', input_shape=(config.IMAGE_H, config.IMAGE_W, config.N_CHANNELS))
x = TimeDistributed(cnn)(inputs)
x = TimeDistributed(Flatten())(x)
x = LSTM(256)(x)
x = Dense(config.N_LANDMARKS * 2, activation='linear')(x)

mean_landmarks = np.array(config.MEAN_LANDMARKS, np.float32)
mean_landmarks = mean_landmarks.flatten()
mean_landmarks_tf = tf.convert_to_tensor(mean_landmarks)
x = x + mean_landmarks_tf

model = Model(inputs=inputs, outputs=x)
optimizer = Adadelta()
model.compile(optimizer=optimizer, loss='mae')

但是我得到了错误：

ValueError: Output tensors to a Model must be the output of a Keras `Layer` (thus holding past layer metadata). Found: Tensor("add:0", shape=(?, 136), dtype=float32)

它在张量流中是微不足道的，但是如何在Keras中实现呢？

Answer 1

似乎可以通过Lamda层完成：

from keras.layers import Lambda

def add_mean_landmarks(x):
    mean_landmarks = np.array(config.MEAN_LANDMARKS, np.float32)
    mean_landmarks = mean_landmarks.flatten()
    mean_landmarks_tf = tf.convert_to_tensor(mean_landmarks)
    x = x + mean_landmarks_tf
    return x


x = Lambda(add_mean_landmarks)(x)

Answer 2

除了您自己的答案外，我还非常希望本机实现加法，例如Keras provides Keras.layers.Add。

原因是我不确定自己的lambda函数如何下推到较低层：本质上，在TensorFlow（或您使用的任何其他后端）中，内部运算使用了经过高度优化的计算图，而自定义操作往往会转化为较重的（或在最坏的情况下是肿的）低级执行。

使用Keras.layers.Add的正确方法就是简单地

x = keras.layers.Add()([x, add_mean_landmarks])

如何在Keras中添加恒定张量？

2 个答案: