keras slice layer 层实现方式

注意的地方： keras中每层的输入输出的tensor是张量， 比如Tensor shape是（N, H, W, C), 对于tf后台， channels_last

Define a slice layer using Lamda layer
def slice(x, h1, h2, w1, w2):
""" Define a tensor slice function
"""
return x[:, h1:h2, w1:w2, :]

定义完slice function之后，利用lambda layer添加到定义的网络中去

# Add slice layer
slice_1 = Lambda(slice, arguments={'h1': 0, 'h2': 6, 'w1': 0, 'w2': 6})(sliced)
# As for tensorfow backend, Lambda doesn't need output shape argument
slice_2 = Lambda(slice, arguments={'h1': 0, 'h2': 6, 'w1': 6, 'w2': 12})(sliced)

补充知识：tensorflow和keras张量切片（slice）

Notes

想将一个向量 分割成两部分： 操作大概是：

在 TensorFlow 中，用 tf.slice 实现张量切片，Keras 中自定义 Lambda 层实现。

TensorFlow

tf.slice(input_, begin, size, name=None)

input_：tf.tensor，被操作的 tensor

begin：list，各个维度的开始下标

size：list，各个维度上要截多长

import tensorflow as tf

with tf.Session() as sess:
a = tf.constant([1, 2, 3, 4, 5])
b = tf.slice(a, [0], [2]) # 第一个维度从 0 开始，截 2 个
c = tf.slice(a, [2], [3]) # 第一个维度从 2 开始，截 3 个
print(a.eval())
print(b.eval())
print(c.eval())

输出

[1 2 3 4 5]
[1 2]
[3 4 5]

Keras

from keras.layers import Lambda
from keras.models import Sequential
import numpy as np

a = np.array([[1, 2, 3, 4, 5]])
model = Sequential([
Lambda(lambda a: a[:, :2], input_shape=[5]) # 第二维截前 2 个
])

print(model.predict(a))

输出

[[1. 2.]]

以上这篇keras slice layer 层实现方式就是小编分享给大家的全部内容了，希望能给大家一个参考

您可能感兴趣的文章:

• 在keras下实现多个模型的融合方式
• keras Lambda自定义层实现数据的切片方式,Lambda传参数
• keras多显卡训练方式
• keras 多gpu并行运行案例
• Keras自定义IOU方式