编写自己的层

对于简单的定制操作，我们或许可以通过使用layers.core.Lambda层来完成。但对于任何具有可训练权重的定制层，你应该自己来实现。

这里是一个Keras2的层应该具有的框架结构(如果你的版本更旧请升级)，要定制自己的层，你需要实现下面三个方法

  • build(input_shape)：这是定义权重的方法，可训练的权应该在这里被加入列表`self.trainable_weights中。其他的属性还包括self.non_trainabe_weights（列表）和self.updates（需要更新的形如（tensor, new_tensor）的tuple的列表）。你可以参考BatchNormalization层的实现来学习如何使用上面两个属性。这个方法必须设置self.built = True，可通过调用super([layer],self).build()实现

  • call(x)：这是定义层功能的方法，除非你希望你写的层支持masking，否则你只需要关心call的第一个参数：输入张量

  • compute_output_shape(input_shape)：如果你的层修改了输入数据的shape，你应该在这里指定shape变化的方法，这个函数使得Keras可以做自动shape推断

  1. from keras import backend as K
  2. from keras.engine.topology import Layer
  3. import numpy as np
  5. class MyLayer(Layer):
  7.     def __init__(self, output_dim, **kwargs):
  8.         self.output_dim = output_dim
  9.         super(MyLayer, self).__init__(**kwargs)
  11.     def build(self, input_shape):
  12.         # Create a trainable weight variable for this layer.
  13.         self.kernel = self.add_weight(name='kernel', 
  14.                                       shape=(input_shape[1], self.output_dim),
  15.                                       initializer='uniform',
  16.                                       trainable=True)
  17.         super(MyLayer, self).build(input_shape)  # Be sure to call this somewhere!
  19.     def call(self, x):
  20.         return K.dot(x, self.kernel)
  22.     def compute_output_shape(self, input_shape):
  23.         return (input_shape[0], self.output_dim)

现存的Keras层代码可以为你的实现提供良好参考，阅读源代码吧！