keras.layers中Lambda()——匿名函数层解析

1. 前提概况

在keras中搭建模型常用的方法有两种：

• 一种是较为简单的序列模型Sequential（该方法适用于搭建简单的模型）
• 一种是使用Keras函数式的API（该方法最为常用）

无论使用哪种方法在搭建model时都要求使用keras中继承自Layer的层（例如keras.layers.Conv1D等等），但有时候又需要使用一些keras.layers中没有的层（例如expand_dim, squeeze或者自己定义的层等）。这时候必须想办法将其转换成keras中的Layer，一般有两种方法：

• 一种是直接定义类class然后继承Layer
• 一种是直接使用Lambda函数。

这里主要讲使用Lambda函数的方法，该方法比较简单。

2. Keras：Lambda 层

• 导入：

from keras import layers

• Lambda函数

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

• 参数：
  • function：要实现的函数，该函数仅接受一个变量，即神经网络上一层的输出
  • output_shape：函数应该返回的值的shape，可以是一个tuple，也可以是一个根据输入shape计算输出shape的函数
  • mask: 掩膜
  • arguments：可选，是字典格式，用来传参
• 作用：
  • Lambda表达式： 用一行代码去表示一个函数，简化和美观代码。
  • keras.layers.Lambda()： 是Lambda表达式的应用。指定在神经网络模型中，如果某一层需要通过一个函数去变换数据，那利用keras.layers.Lambda()这个函数单独把这一步数据操作命为单独的一Lambda层。

3. 举例

keras Lambda自定义层实现数据的切片,Lambda传参数

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation,Reshape
from keras.layers import merge
from keras.utils.visualize_util import plot
from keras.layers import Input, Lambda
from keras.models import Model

def slice(x,index):
　　return x[:,:,index] # 切片

a = Input(shape=(4,2))
x1 = Lambda(slice,output_shape=(4,1),arguments={'index':0})(a)  # index是参数,通过字典将参数传递进去.
x2 = Lambda(slice,output_shape=(4,1),arguments={'index':1})(a)	# index是参数,通过字典将参数传递进去.
x1 = Reshape((4,1,1))(x1)
x2 = Reshape((4,1,1))(x2)
output = merge([x1,x2],mode='concat')
model = Model(a, output)
x_test = np.array([[[1,2],[2,3],[3,4],[4,5]]])
print model.predict(x_test)
plot(model, to_file='lambda.png',show_shapes=True)

参考：

1. Lambda层
2. 【Python-Keras】keras.layers.Lambda解析与使用
3. keras中Lambda层的使用