Question

很抱歉这个问题的措词不好，但基本上我正在尝试这样做：

1）假设我用CNN滤波器对输入进行卷积，然后得到（batch x，y，5，10）的特征图，其中x和y是取决于输入大小，步幅等的尺寸，而10是功能图

2）因此，现在不再将这些特征图作为下一层的输入，而是对其进行卷积，我希望这些功能图在下一层中代表我自己的新CNN过滤器。

现在到下一层的输入实际上将是可训练的3d数组/内核。因此，除了可以训练滤镜之外，它实际上是可以训练的3d阵列。

我尝试使用在keras中构建custom_layer来做到这一点，但是我遇到了这个错误：

TypeError：无法将类型的对象转换为Tensor。内容：（无，20、20、6、10）。考虑将元素强制转换为受支持的类型。

这是我的尝试：

#build my custom layer
from keras.layers import  Dense, GlobalAveragePooling2D,Input, Conv2D
from keras.models import Model
from keras import backend as K
from keras.layers import Layer
import numpy as np

class MyLayer(Layer):


    def __init__(self,output_dim, **kwargs):
        self.height = output_dim[0] #height
        self.width = output_dim[1] # width
        self.filter = output_dim[2] #filter
        super(MyLayer, self).__init__(**kwargs)


    def build(self, input_shape): # input_shape[2] = channels
        self.kernel = self.add_weight(name='kernel',
        shape=(input_shape[0],self.height,self.width, input_shape[2],self.filter),
        initializer='uniform',
        trainable=True)
        super(MyLayer, self).build(input_shape)


    def call(self, inputs):

        outputs = K.conv2d(
                self.kernel, # array to be convolved upon
                inputs, # inputs (feature maps) will be kernel
                strides= 1,
                padding= "same",
                data_format= "channels_last",
                dilation_rate= 1)
        return outputs

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



if __name__ == "__main__":
    rand_array = np.random.rand(10,10,3)
    model_input = Input(shape = (10,10,3))

    x = Conv2D (kernel_size = (5,5), filters = 10,padding = "valid", activation='relu')(model_input)
    x =MyLayer(output_dim =(20,20,10))(x)
    model = Model(inputs = model_input, outputs = x)
    #x = GlobalAveragePooling2D()(x)
    print(model.summary())

使CNN滤波器的输出成为用于更大的3d可训练随机数组的新CNN滤波器

0 个答案: