Keras 自定义图层 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 Dense 层来做这个吗？

编辑（纳西姆请求）：

第一层什么都不做。只是给 Lambda 层一个输入：

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

你要的应该是autoencoder

https://blog.keras.io/building-autoencoders-in-keras.html

Answer 2

这取决于你想做什么。它是二维的，因为它是一个序列吗？然后 LSTM 就是为此而制作的，如果你设置 return_sequence=True.return 一个需要大小的序列。

CNN 也可以处理 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 Dense 层并将输出重塑为 (S,V) 2D 张量...

我帮不了你了，我们需要了解你的用例:-)神经网络有太多的可能性。

编辑：

您可以使用 TimeDistributed(Dense(S))。如果您的输入具有形状 (E,V)，您可以重塑为 (V,E) 以将 V 作为“时间维度”。然后你应用 TimeDistributed(Dense(S)) 这将是一个具有权重 (ExS) 的致密层，输出将具有 (V,S) 的形状，因此你可以将其重塑为 (S,V)。

这就是你想要的吗？ TimeDistributed() 层将对具有共享权重的输入的每 V 行应用相同的 Dense(S) 层。

编辑 2：

查看keras后端的代码后发现，要使用'permutation patterns'选项可用的tensorflow转置，需要使用K.permute_dimensions(x,pattern)。必须包含批次维度。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].

Keras 自定义图层 2D 输入 -> 2D 输出

Keras Custom Layer 2D input -> 2D output

machine-learning

neural-network

keras

keras-layer