Keras 2 API 文档 / 层 API / 核心层 / Lambda 层

Lambda 层

[源代码]

Lambda

tf_keras.layers.Lambda(
    function, output_shape=None, mask=None, arguments=None, **kwargs
)

将任意表达式封装为 Layer 对象。

引入 Lambda 层是为了在构建 Sequential 模型和 Functional API 模型时,可以将任意表达式用作 LayerLambda 层最适合简单的操作或快速实验。对于更高级的用例,请遵循此指南来子类化 tf.keras.layers.Layer

警告:tf.keras.layers.Lambda 层存在(反)序列化限制!

子类化 tf.keras.layers.Layer 而非使用 Lambda 层的主要原因在于模型的保存和检查。Lambda 层通过序列化 Python 字节码进行保存,这从根本上来说是不可移植的。它们只能在其保存时的相同环境中加载。通过重写 get_config() 方法,可以以更可移植的方式保存子类化层。依赖于子类化层的模型也通常更容易可视化和理解。

示例

# add a x -> x^2 layer
model.add(Lambda(lambda x: x ** 2))
# add a layer that returns the concatenation
# of the positive part of the input and
# the opposite of the negative part

def antirectifier(x):
    x -= K.mean(x, axis=1, keepdims=True)
    x = K.l2_normalize(x, axis=1)
    pos = K.relu(x)
    neg = K.relu(-x)
    return K.concatenate([pos, neg], axis=1)

model.add(Lambda(antirectifier))

关于变量的注意事项

虽然可以在 Lambda 层中使用变量,但不鼓励这种做法,因为它很容易导致错误。例如,考虑以下层

scale = tf.Variable(1.)
scale_layer = tf.keras.layers.Lambda(lambda x: x * scale)

因为 scale_layer 不直接跟踪 scale 变量,它不会出现在 scale_layer.trainable_weights 中,因此如果 scale_layer 在模型中使用,将不会被训练。

更好的模式是编写一个子类化的 Layer

class ScaleLayer(tf.keras.layers.Layer):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.scale = tf.Variable(1.)

    def call(self, inputs):
        return inputs * self.scale

总的来说,Lambda 层对于简单的无状态计算非常方便,但任何更复杂的逻辑都应该使用子类化的 Layer。

参数

  • function: 要评估的函数。接受输入张量作为第一个参数。
  • output_shape: 函数的预期输出形状。如果未明确提供,可以推断此参数。可以是元组或函数。如果是元组,它只指定从第一个维度开始的形状;样本维度假定与输入相同:output_shape = (input_shape[0], ) + output_shape 或者,如果输入是 None,样本维度也为 Noneoutput_shape = (None, ) + output_shape 如果是函数,它以输入形状为函数指定整个形状:output_shape = f(input_shape)
  • mask: 可以是 None(表示无掩码)或与 compute_mask 层方法签名相同的可调用对象,或者是一个张量,无论输入是什么,该张量都将作为输出掩码返回。
  • arguments: 可选的关键字参数字典,将传递给函数。

输入形状 任意。将此层用作模型中的第一层时,请使用 input_shape 关键字参数(由

整数组成的元组,不包含样本轴)。

输出形状 由 output_shape 参数指定