在2.2.0版本前，

from keras import backend as K
from keras.engine.topology import Layer
 
class MyLayer(Layer):
 
  def __init__(self,output_dim,**kwargs):
    self.output_dim = output_dim
    super(MyLayer,self).__init__(**kwargs)
 
  def build(self,input_shape):
    # 為該層建立一個可訓練的權重
    self.kernel = self.add_weight(name='kernel',shape=(input_shape[1],self.output_dim),initializer='uniform',trainable=True)
    super(MyLayer,self).build(input_shape) # 一定要在最後呼叫它
 
  def call(self,x):
    return K.dot(x,self.kernel)
 
  def compute_output_shape(self,input_shape):
    return (input_shape[0],self.output_dim)

2.2.0 版本時：

from keras import backend as K
from keras.layers import Layer
 
class MyLayer(Layer):
 
  def __init__(self,input_shape):
    # Create a trainable weight variable for this layer.
    self.kernel = self.add_weight(name='kernel',self).build(input_shape) # Be sure to call this at the end
 
  def call(self,self.output_dim)

如果你遇到：

<module> from keras.engine.base_layer import InputSpec ModuleNotFoundError: No module named 'keras.engine.base_layer'

不妨試試另一種引入！

補充知識：Keras自定義損失函式在場景分類的使用

在做影象場景分類的過程中，需要自定義損失函式，遇到很多坑。Keras自帶的損失函式都在losses.py檔案中。（以下預設為分類處理）

#losses.py
#y_true是分類的標籤，y_pred是分類中預測值（這裡指，模型最後一層為softmax層，輸出的是每個類別的預測值）
def mean_squared_error(y_true,y_pred):
  return K.mean(K.square(y_pred - y_true),axis=-1)
def mean_absolute_error(y_true,y_pred):
  return K.mean(K.abs(y_pred - y_true),axis=-1)
def mean_absolute_percentage_error(y_true,y_pred):
  diff = K.abs((y_true - y_pred) / K.clip(K.abs(y_true),K.epsilon(),None))
  return 100. * K.mean(diff,axis=-1)
def mean_squared_logarithmic_error(y_true,y_pred):
  first_log = K.log(K.clip(y_pred,None) + 1.)
  second_log = K.log(K.clip(y_true,None) + 1.)
  return K.mean(K.square(first_log - second_log),axis=-1)
def squared_hinge(y_true,y_pred):
  return K.mean(K.square(K.maximum(1. - y_true * y_pred,0.)),axis=-1)

這裡面簡單的來說，y_true就是訓練資料的標籤，y_pred就是模型訓練時經過softmax層的預測值。經過計算，得出損失值。

那麼我們要新建損失函式totoal_loss，就要在本檔案下，進行新建。

def get_loss(labels,features,alpha,lambda_c,lambda_g,num_classes):
  #由於涉及研究內容，詳細程式碼不做公開
  return loss
#total_loss(y_true,y_pred)，y_true代表標籤（類別），y_pred代表模型的輸出
#（ 如果是模型中間層輸出，即代表特徵，如果模型輸出是經過softmax就是代表分類預測值）
#其他有需要的引數也可以寫在裡面
def total_loss(y_true,y_pred):
    git_loss=get_loss(y_true,y_pred,alpha=0.5,lambda_c=0.001,lambda_g=0.001,num_classes=45)
    return git_loss 

自定義損失函式寫好之後，可以進行使用了。這裡，我使用交叉熵損失函式和自定義損失函式一起使用。

#這裡使用vgg16模型
model = VGG16(input_tensor=image_input,include_top=True,weights='imagenet')
model.summary()
#fc2層輸出為特徵
last_layer = model.get_layer('fc2').output
#獲取特徵
feature = last_layer
#softmax層輸出為各類的預測值
out = Dense(num_classes,activation = 'softmax',name='predictions')(last_layer)
#該模型有一個輸入image_input,兩個輸出out，feature
custom_vgg_model = Model(inputs = image_input,outputs = [feature,out])
custom_vgg_model.summary()
#優化器，梯度下降
sgd = optimizers.SGD(lr=learn_Rate,decay=decay_Rate,momentum=0.9,nesterov=True)
#這裡面，剛才有兩個輸出，這裡面使用兩個損失函式，total_loss對應的是fc2層輸出的特徵
#categorical_crossentropy對應softmax層的損失函式
#loss_weights兩個損失函式的權重
custom_vgg_model.compile(loss={'fc2': 'total_loss','predictions': "categorical_crossentropy"},loss_weights={'fc2': 1,'predictions':1},optimizer= sgd,metrics={'predictions': 'accuracy'})
#這裡使用dummy1，dummy2做演示，為0
dummy1 = np.zeros((y_train.shape[0],4096))
dummy2 = np.zeros((y_test.shape[0],4096))
#模型的輸入輸出必須和model.fit()中x，y兩個引數維度相同
#dummy1的維度和fc2層輸出的feature維度相同，y_train和softmax層輸出的預測值維度相同
#validation_data驗證資料集也是如此，需要和輸出層的維度相同
hist = custom_vgg_model.fit(x = X_train,y = {'fc2':dummy1,'predictions':y_train},batch_size=batch_Sizes,epochs=epoch_Times,verbose=1,validation_data=(X_test,{'fc2':dummy2,'predictions':y_test}))

寫到這裡差不多就可以了，不夠詳細，以後再做補充。

以上這篇解決Keras 自定義層時遇到版本的問題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。