Question

我有一个定制的Keras层，我想从特定的输入返回特定的输出。我不希望它是可训练的。

该图层应执行以下操作

if input = [1,0] then output = 1
if input = [0,1] then output = 0

相反，它总是输出-1，如果有问题，我会设置该值。

我认为行不如预期的是：

if(test_mask_1_result_count == 2)

这是自定义图层：

class my_custom_layer(layers.Layer):

    def __init__(self, **kwargs):
        super(my_custom_layer, self).__init__(**kwargs)

    def call(self, inputs,training=None):

        def encode():

            # set up the test mask:
            test_mask_1 = np.array([0,1],dtype=np.int32)
            k_test_mask_1 = backend.variable(value=test_mask_1)

            # test if the input is equal to the test mask
            test_mask_1_result = backend.equal(inputs,k_test_mask_1)

            # add up all the trues
            test_mask_1_result_count = tf.reduce_sum(tf.cast(test_mask_1_result, tf.int32))

            # return if we've found the right mask
            if(test_mask_1_result_count == 2):
                res = np.array([0]).reshape((1,)) #top left
                k_res = backend.variable(value=res)
                return k_res

            # set up to test the second mask
            test_mask_2 = np.array([1,0],dtype=np.int32)
            k_test_mask_2 = backend.variable(value=test_mask_2)

            # test if the input is equal to the test mask
            test_mask_2_result = backend.equal(inputs,k_test_mask_2)

            # add up all the trues
            test_mask_2_result_count = tf.reduce_sum(tf.cast(test_mask_2_result, tf.int32))

            # return if we've found the right mask
            if(test_mask_2_result_count == 2):
                res = np.array([1]).reshape((1,)) #top left
                k_res = backend.variable(value=res)
                return k_res


            # if we've got here we're in trouble:
            res = np.array([-1]).reshape((1,)) #top left
            k_res = backend.variable(value=res)
            return k_res


        return encode()

    def compute_output_shape(self, input_shape):
        return (input_shape[0],1)

为什么if永远不会触发？

我还使用网络外部的keras制作了MWE。这似乎按预期工作：

mask_1 = np.array([1,0],dtype=np.int32)
k_mask_1 = backend.variable(value=mask_1)

input_1 = np.array([1,0],dtype=np.int32)
k_input_1 = backend.variable(value=input_1)


mask_eq = backend.equal(k_input_1,k_mask_1)

mask_eq_sum = tf.reduce_sum(tf.cast(mask_eq, tf.int32))

# keras backend
sess = backend.get_session()

print(sess.run(mask_eq_sum))

输出2

我怀疑有些根本不了解的东西。

Answer 1

我不确定您的代码出了什么问题，但是您的层似乎比所需的要复杂得多。例如，

my_custom_layer = layers.Lambda(lambda x: x[0])

应符合您的规格。如果您希望它更可靠，可以使用

my_custom_layer = layers.Lambda(lambda x: 1 if x == [1,0] else 0 if x == [0,1] else -1)

或

def mask_func(in_t):
    if in_t == [1,0]:
        return 1
    elif in_t == [0,1]:
        return 0
    else:
        return -1
my_custom_layer = layers.Lambda(mask_func)

相反。假设您使用的是TF2.0，则自定义图层的宽容度很高。显然，如果您要使用它来处理批处理，则需要对其进行一些修改，但希望您会明白这一点。

如果然后在自定义不可训练的keras图层中

1 个答案: