Keras 自定义层 2D 输入 -> 2D 输出

Question

我有一个 2D 输入（如果考虑样本数量，则为 3D），我想应用一个 keras 层来获取此输入并输出另一个 2D 矩阵。因此，例如，如果我有一个大小为 (ExV) 的输入，则学习权重矩阵将为 (SxE) 和输出 (SxV)。我可以用密集层做到这一点吗？

编辑（纳西姆请求）：

第一层什么也不做。只是向 Lambda 层提供输入：

from keras.models import Sequential
from keras.layers.core import Reshape,Lambda
from keras import backend as K
from keras.models import Model

input_sample = [
[[1,2,3,4,5],[6,7,8,9,10],[11,12,13,14,15],[16,17,18,19,20]]
,[[21,22,23,24,25],[26,27,28,29,30],[31,32,33,34,35],[36,37,38,39,40]]
,[[41,42,43,44,45],[46,47,48,49,50],[51,52,53,54,55],[56,57,58,59,60]]
]


model = Sequential()
model.add(Reshape((4,5), input_shape=(4,5)))
model.add(Lambda(lambda x: K.transpose(x)))
intermediate_layer_model = Model(input=model.input,output=model.layers[0].output)
print "First layer:"
print intermediate_layer_model.predict(input_sample)
print ""
print "Second layer:"
intermediate_layer_model = Model(input=model.input,output=model.layers[1].output)
print intermediate_layer_model.predict(input_sample)

Answer 1

这取决于你想做什么。它是二维的，因为它是一个序列？然后 LSTM 就是为此而设计的，如果您设置 return_sequence=True，它将返回一个需要大小的序列。

CNN 还可以处理 2D 输入，并根据您使用的内核数量输出可变大小的内容。

否则，您可以将其重塑为 (E x V, ) 1D 张量，使用具有 SxV 维度的密集层并将输出重塑为 (S,V) 2D 张量...

我无法为您提供更多帮助，我们需要了解您的用例:-) 神经网络有太多可能性。

编辑 ：

您可以使用 TimeDistributed(Dense(S))。如果您的输入具有形状 (E,V)，则将形状重塑为 (V,E) 以将 V 作为“时间维度”。然后应用 TimeDistributed(Dense(S)) ，这将是一个具有权重 (ExS) 的密集层，输出将具有形状 (V,S)，因此您可以将其重塑为 (S,V)。

这能达到你想要的效果吗？TimeDistributed() 层将使用共享权重将相同的 Dense(S) 层应用于输入的每条 V 行。

编辑2：

查看 keras 后端的代码后，发现要使用带有“排列模式”选项的张量流转置，您需要使用 K.permute_dimensions(x,pattern)。必须包括批次尺寸。在你的情况下：

Lambda(lambda x: K.permute_dimensions(x,[0,2,1]))

K.transpose(x) 在内部使用相同的函数（对于 tf 后端），但排列设置为默认值 [n,n-1,...,0]。