Question

我想使用tensorflow来制作类似于Conv2D的神经网络层。下面是我要实现的。就像卷积层一样，层使用内核，但是输出大于输入。

The layer image that I want to implement

但是，似乎没有办法只能使用tensorflow操作来实现。我设法通过将tensorflow张量转换为numpy数组来实现以下代码，但是我仍然不知道如何将4D输出数组合并为2D数组。

input = [[a, b],
         [c, d]]
kernel = [[1, -1],
          [2, 1]]
output = [[input[0][0] * kernel, input[0][1] * kernel],
          [input[1][0] * kernel, input[1][1] * kernel]]

#since "input[0][0] * kernel" is 2D, "output" becomes 4D array.

有什么方法可以仅使用tensorflow来实现？如果没有，我应该使用哪种方法代替？

Answer 1

class MyLayer(tf.keras.layers.Layer):
    def __init__(self, kernel):
        super(MyLayer, self).__init__()
        self.k = tf.constant(kernel)

    def build(self, input_shape):
        self.i = input_shape

    def call(self, input):
        x = tf.reshape(input, [-1])
        return tf.map_fn(lambda s:  tf.scalar_mul(s, self.k), x)

mylayer = MyLayer([[1.0, -1.0], [-1.0, 1.0]])
x = tf.constant([[1.0, 2.0, 3.0], [3.0, 4.0, 5.0]])

with tf.Session() as sess:
    print (sess.run(r))

输出：

[[[ 1. -1.]
  [-1.  1.]]
 [[ 2. -2.]
  [-2.  2.]]
 [[ 3. -3.]
  [-3.  3.]]
 [[ 3. -3.]
  [-3.  3.]]
 [[ 4. -4.]
  [-4.  4.]]
 [[ 5. -5.]
  [-5.  5.]]]

如何使用张量流实现类似于Conv2D的这一层？

1 个答案: