这篇文章主要讲解了keras中slice layer层是如何实现的,内容清晰明了,对此有兴趣的小伙伴可以学习一下,相信大家阅读完之后会有帮助。
注意的地方: keras中每层的输入输出的tensor是张量, 比如Tensor shape是(N, H, W, C), 对于tf后台, channels_last
Define a slice layer using Lamda layer def slice(x, h2, h3, w1, w2): """ Define a tensor slice function """ return x[:, h2:h3, w1:w2, :]
定义完slice function之后,利用lambda layer添加到定义的网络中去
# Add slice layer slice_1 = Lambda(slice, arguments={'h2': 0, 'h3': 6, 'w1': 0, 'w2': 6})(sliced) # As for tensorfow backend, Lambda doesn't need output shape argument slice_2 = Lambda(slice, arguments={'h2': 0, 'h3': 6, 'w1': 6, 'w2': 12})(sliced)
补充知识:tensorflow和keras张量切片(slice)
Notes
想将一个向量 分割成两部分: 操作大概是:
在 TensorFlow 中,用 tf.slice 实现张量切片,Keras 中自定义 Lambda 层实现。
TensorFlow
tf.slice(input_, begin, size, name=None)
input_:tf.tensor,被操作的 tensor
begin:list,各个维度的开始下标
size:list,各个维度上要截多长
import tensorflow as tf with tf.Session() as sess: a = tf.constant([1, 2, 3, 4, 5]) b = tf.slice(a, [0], [2]) # 第一个维度从 0 开始,截 2 个 c = tf.slice(a, [2], [3]) # 第一个维度从 2 开始,截 3 个 print(a.eval()) print(b.eval()) print(c.eval())
输出
[1 2 3 4 5]
[1 2]
[3 4 5]
Keras
from keras.layers import Lambda from keras.models import Sequential import numpy as np a = np.array([[1, 2, 3, 4, 5]]) model = Sequential([ Lambda(lambda a: a[:, :2], input_shape=[5]) # 第二维截前 2 个 ]) print(model.predict(a))
输出
[[1. 2.]]
看完上述内容,是不是对keras中slice layer层是如何实现的有进一步的了解,如果还想学习更多内容,欢迎关注亿速云行业资讯频道。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。