keras slice layer 層實現方式
阿新 • • 發佈:2020-06-11
注意的地方: keras中每層的輸入輸出的tensor是張量, 比如Tensor shape是(N,H,W,C),對於tf後臺, 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,:]
定義完slice function之後,利用lambda layer新增到定義的網路中去
# 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,'w1': 6,'w2': 12})(sliced)
補充知識:tensorflow和keras張量切片(slice)
Notes
想將一個向量 分割成兩部分: 操作大概是:
在 TensorFlow 中,用 tf.slice 實現張量切片,Keras 中自定義 Lambda 層實現。
TensorFlow
tf.slice(input_,begin,size,name=None)
input_:tf.tensor,被操作的 tensor
begin:list,各個維度的開始下標
size:list,各個維度上要截多長
import tensorflow as tf with tf.Session() as sess: a = tf.constant([1,2,3,4,5]) b = tf.slice(a,[0],[2]) # 第一個維度從 0 開始,截 2 個 c = tf.slice(a,[2],[3]) # 第一個維度從 2 開始,截 3 個 print(a.eval()) print(b.eval()) print(c.eval())
輸出
[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([[1,5]]) model = Sequential([ Lambda(lambda a: a[:,:2],input_shape=[5]) # 第二維截前 2 個 ]) print(model.predict(a))
輸出
[[1. 2.]]
以上這篇keras slice layer 層實現方式就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。