Upadate 1：两个发现

Question

根据我在this问题中提出的需求，我决定对Conv2D图层进行子类化，以便它首先正确包裹输入张量。

但是我无法使其工作。具体来说，我什至无法进行单元测试，以使用给定的内核初始化该层，然后将给定的输入张量传递给它，并验证.call()方法中定义的计算是否产生了预期的结果。

因此，我退后一步，为了避免我的代码成为问题，我首先集中精力于如何处理已经存在的Keras父层Conv2D。

import unittest

from numpy import asarray, arange

import keras.backend as K
from keras.models import Sequential  #, Model, 
from keras.layers import Conv2D  #, Input, MaxPooling2D
from keras.initializers import Constant
from keras.optimizers import SGD

class Test(unittest.TestCase):

    def testConv2D(self):
        ''' verify that I can initialize, invoke, and test a given Keras layer
        '''
        # kernel to make convolution constant except at borders 
        kern = asarray([[ 1, 0, -1]]).T + asarray([[ 0.5, 1, 0, -1, -0.5 ]]) 
        print(kern)
        kern = Constant(kern)

        input_shape = (10, 10, 3)
        sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)

        base_model = Sequential()
        base_layer = Conv2D(10, (3, 5),
                             input_shape=input_shape,
                             kernel_initializer=kern,
                             use_bias=False)
        base_model.add(base_layer)
        base_model.compile(loss='mean_squared_error', optimizer=sgd)

        x = arange(5 * 10 * 10 * 3).reshape((5, 10, 10, 3))  # 5 samples, 3 channels
        x = K.variable(x)
        # the print() statements to be replaced by asserts of course
        y = base_layer(x)
        print(y)                      # this just prints     Tensor("conv2d_1_1/convolution:0", shape=(5, 8, 6, 10), dtype=float32)
        yp = base_model.predict(x)    # this throws a        ValueError about specifying the `steps` argument
        print(yp)
        pass
        # once this works I'll replace Conv2D with a subclass of it, and 
        # verify that I can preprocess the input tensor; and will be able 
        # to verify that the convolution gives the right result
        pass
        # once also this works, I'll replace partial tests with a single test that verifies only the result
        pass

if __name__ == "__main__":
    #import sys;sys.argv = ['', 'Test.testName']
    unittest.main()

尝试执行此操作，表明我什至无法在给定数据上调用现有的Keras层。我不知道如何做得更好（也许我最好使用功能性API？）

我怀疑我完全迷路了。如果有一些示例或链接可以启发我，或者有任何关于正确执行上述操作方法的提示，我将不胜感激。

PS。我还检查了这些问题，这些问题为如何实现所需的内容提供了一些启示，但实际上我专注于如何测试实现的内容：

Upadate 1：两个发现

在其他人指出这一点之前，我找到了一些初步答案，我可以说出我要遵循的方向：

y = base_layer(x)；不直接适合测试，因为它不会产生任何值（在Functional API中，它只是声明如何转换变量x以获取层的输出）
相反， yp = base_model.predict(x)是正确的，但是x必须是numpy数组。比任何Keras variable或Constant都简单得多（我更认为它是 declarative 对象）
使用从keras.initializers.Constant数组创建的numpy对象显式初始化内核，只要提供的内核大小合适，就可以正常工作！< / strong>在这种情况下，我想使用[3,5]内核，但这样做却非常糟糕：如果我们要处理具有C颜色层的图像，则一个滤镜意味着一个内核[3,5,C] 。最后，由于Conv2D层具有F=10过滤器，因此正确的内核初始化程序必须来自形状为[3,5,C,F]的四维数组。请注意，过滤器尺寸是最后一个（不是第一个）。

从测试的角度来看，我可以通过调用get_weights()层方法并检查初始化程序的形状是否一致（描述为here）来实现这一点（可以进行特定的检查和警告消息）初始化程序包含显式数组时将其插入Keras代码中，以防止发生此错误。

所以现在我知道要去的方向了。我会及时通知您，希望能为您提供完整的答案以及可行的解决方案。

如何在python中测试自定义Keras图层

Upadate 1：两个发现

0 个答案: