Python tf.keras.layers.Lambda用法及代码示例

将任意表达式包装为 Layer 对象。

继承自：Layer，Module

用法

tf.keras.layers.Lambda(
    function, output_shape=None, mask=None, arguments=None, **kwargs
)

Lambda 层的存在使得在构造 Sequential 和函数 API 模型时可以将任意表达式用作 Layer。 Lambda 层最适合简单操作或快速实验。对于更高级的用例，请按照本指南对 tf.keras.layers.Layer 进行子类化。

警告：tf.keras.layers.Lambda 层有(反)序列化限制！

继承tf.keras.layers.Layer 而不是使用Lambda 层的主要原因是保存和检查模型。 Lambda 层是通过序列化 Python 字节码来保存的，这本质上是不可移植的。它们只能在保存它们的相同环境中加载。通过覆盖它们的get_config 方法，可以以更便携的方式保存子类层。依赖于子类层的模型通常也更容易可视化和推理。

例子：

# add a x -> x^2 layer
model.add(Lambda(lambda x:x ** 2))

# add a layer that returns the concatenation
# of the positive part of the input and
# the opposite of the negative part

def antirectifier(x):
    x -= K.mean(x, axis=1, keepdims=True)
    x = K.l2_normalize(x, axis=1)
    pos = K.relu(x)
    neg = K.relu(-x)
    return K.concatenate([pos, neg], axis=1)

model.add(Lambda(antirectifier))

变量：

虽然可以将变量与 Lambda 层一起使用，但不鼓励这种做法，因为它很容易导致错误。例如，考虑以下层：

scale = tf.Variable(1.)
  scale_layer = tf.keras.layers.Lambda(lambda x:x * scale)

因为scale_layer 不直接跟踪scale 变量，所以它不会出现在scale_layer.trainable_weights 中，因此如果在模型中使用scale_layer 则不会被训练。

更好的模式是编写一个子类层：

class ScaleLayer(tf.keras.layers.Layer):
    def __init__(self):
      super(ScaleLayer, self).__init__()
      self.scale = tf.Variable(1.)

    def call(self, inputs):
      return inputs * self.scale

一般来说，Lambda 层可以方便地进行简单的无状态计算，但任何更复杂的都应该使用子类 Layer 来代替。

输入形状：任意。将此层用作模型中的第一层时，请使用关键字参数 input_shape(整数元组，不包括样本轴)。输出形状：由output_shape 参数指定