Question

我尝试自定义设计一个可以具有如下层的网络体系结构：

x = k.Input(shape=(1,))
y = k.layers.Dense(1)(x + 1)  #k.backend.constant(1) -- no difference
Fx = k.models.Model(x, y)

虽然“ x + 1”是正确的Tensorflow操作，但是，我收到了NoneType错误：

AttributeError：“ NoneType”对象没有属性“ _inbound_nodes”

当我尝试使用Lambda层来规避这种情况时，我遇到了相同的错误：

x = k.Input(shape=(1,))
xx = k.layers.Lambda(lambda x: x[0] + x[1])(
    [x, k.backend.constant(1, shape=(1,1))]
)
y = k.layers.Dense(1)(xx)
Fx = k.models.Model(x, y)

但是我可以通过以下方法来破解：

x = k.Input(shape=(1,))
xx = k.layers.Lambda(lambda x: x[0]+1)([x, x])
y = k.layers.Dense(1)(xx)
Fx = k.models.Model(x, y)

因为Tensor +（int或float）是合法的Tensorflow操作。

我在定义Lambda层时是否犯了错误，或者这是Keras端的错误？

Answer 1

我不知道你为什么从

x + 1

到

 x[0]+1

如果您只想在x的元素中添加1，然后再通过密集层，则可以像这样应用lambda层：

x = k.Input(shape=(1,))
xx = k.layers.Lambda(lambda x: x + 1)(x)
y = k.layers.Dense(1)(xx)
Fx = k.models.Model(x, y)

Answer 2

y = k.layers.Dense(1)(x + 1)不正确的原因是+ 1是有效的张量运算。按照Keras层定义的Keras模型；不是张量。因此，您需要使用x_p = Lambda(lambda x: x + 1)(x)。后者是指定所需操作的正确方法。

即lambda x：x + 1是在Lambda（）实例化图层时对张量的操作。图层是Keras跟踪图层/图形构造等之间依赖关系的方式。例如，当Keras生成图形然后计算输出形状时，lambda图层将知道其输入形状的格式。在您的情况下，形状是相似的，但是例如，您可以使用执行张量切片操作并更改输出形状的lambda函数。

用恒定的非张量数相加或相乘时，Keras Lambda层出错

2 个答案: