Question

我正在创建自定义的激活功能，尤其是RBF激活功能：

from keras import backend as K
from keras.layers import Lambda

l2_norm = lambda a,b:  K.sqrt(K.sum(K.pow((a-b),2), axis=0, keepdims=True))

def rbf2(x):
X = #here i need inputs that I receive from previous layer 
Y = # here I need weights that I should apply for this layer
l2 = l2_norm(X,Y)
res = K.exp(-1 * gamma * K.pow(l2,2))
return res

函数rbf2接收上一层作为输入：

#some keras layers
model.add(Dense(84, activation='tanh')) #layer1
model.add(Dense(10, activation = rbf2)) #layer2

我该怎么做才能从layer1获取输入并从layer2获取权重以创建自定义的激活函数？

我实际上想做的是实现LeNet5神经网络的输出层。 LeNet-5的输出层有点特殊，而不是计算输入和权重向量的点积，每个神经元输出其输入向量和权重向量之间的欧几里得距离的平方。

例如，layer1有84个神经元，layer2有10个神经元。在一般情况下，为了计算layer2的10个神经元中每个神经元的输出，我们对layer1的84个神经元与layer1和layer2之间的84个权重进行点积运算。然后，我们在其上应用softmax激活功能。

但是在这里，layer2的每个神经元都没有进行点积运算，而是输出其输入向量与其权重向量之间的欧几里得距离的平方（我想将其用作激活函数）。

任何有关创建RBF激活函数（计算距图层接收的输入和权重的欧几里得距离）并在图层中使用它的帮助都将有所帮助。

Answer 1

您可以为此简单地define a custom layer：

from keras.layers import Layer
from keras import backend as K

class RBFLayer(Layer):
    def __init__(self, units, gamma, **kwargs):
        super(RBFLayer, self).__init__(**kwargs)
        self.units = units
        self.gamma = K.cast_to_floatx(gamma)

    def build(self, input_shape):
        self.mu = self.add_weight(name='mu',
                                  shape=(int(input_shape[1]), self.units),
                                  initializer='uniform',
                                  trainable=True)
        super(RBFLayer, self).build(input_shape)

    def call(self, inputs):
        diff = K.expand_dims(inputs) - self.mu
        l2 = K.sum(K.pow(diff,2), axis=1)
        res = K.exp(-1 * self.gamma * l2)
        return res

    def compute_output_shape(self, input_shape):
        return (input_shape[0], self.units)

用法示例：

model = Sequential()
model.add(Dense(20, input_shape=(100,)))
model.add(RBFLayer(10, 0.5))

Answer 2

这里不需要重新发明轮子。 custom RBF layer for Keras已经存在。

如何在Keras中实现RBF激活功能？

2 个答案: