编写你自己的Keras层

对于简单、无状态的自定义操作，你也许可以通过layers.core.Lambda层来实现。但是对于那些包含了可训练权重的自定义层，你应该自己实现这种层。

这是一个Keras2.0中，Keras层的骨架（如果你用的是旧的版本，请你更新）。你只需要实现三个方法即可:

  • build(input_shape): 这是你定义权重的地方。这个方法必须设self.built = True，可以通过调用super([Layer], self).build()完成。
  • call(x): 这里是编写层的功能逻辑的地方。你只需要关注传入call的第一个参数：输入张量，除非你希望你的层支持masking。
  • compute_output_shape(input_shape): 如果你的层更改了输入张量的形状，你应该在这里定义形状变化的逻辑，这让Keras能够自动推断各层的形状。
  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)

已有的Keras层就是实现层的很好例子。不要犹豫阅读源码！