Python tf.keras.layers.Lambda用法及代碼示例

將任意表達式包裝為 Layer 對象。

繼承自：Layer，Module

用法

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

Lambda 層的存在使得在構造 Sequential 和函數 API 模型時可以將任意表達式用作 Layer。 Lambda 層最適合簡單操作或快速實驗。對於更高級的用例，請按照本指南對 tf.keras.layers.Layer 進行子類化。

警告：tf.keras.layers.Lambda 層有(反)序列化限製！

繼承tf.keras.layers.Layer 而不是使用Lambda 層的主要原因是保存和檢查模型。 Lambda 層是通過序列化 Python 字節碼來保存的，這本質上是不可移植的。它們隻能在保存它們的相同環境中加載。通過覆蓋它們的get_config 方法，可以以更便攜的方式保存子類層。依賴於子類層的模型通常也更容易可視化和推理。

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))

變量：

雖然可以將變量與 Lambda 層一起使用，但不鼓勵這種做法，因為它很容易導致錯誤。例如，考慮以下層：

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

因為scale_layer 不直接跟蹤scale 變量，所以它不會出現在scale_layer.trainable_weights 中，因此如果在模型中使用scale_layer 則不會被訓練。

更好的模式是編寫一個子類層：

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

一般來說，Lambda 層可以方便地進行簡單的無狀態計算，但任何更複雜的都應該使用子類 Layer 來代替。

輸入形狀：任意。將此層用作模型中的第一層時，請使用關鍵字參數 input_shape(整數元組，不包括樣本軸)。輸出形狀：由output_shape 參數指定