时间戳

首页 > 解决方案 > 如何将可训练权重的张量添加到 Keras 张量？

keras - 如何将可训练权重的张量添加到 Keras 张量？

问题描述

在https://arxiv.org/pdf/1503.08895.pdf的第 5 页上的“时间编码”部分（顺便说一句，一篇优秀的论文），我说了 N 个维度为 M 的嵌入向量。所以我的 Keras 张量是（批量大小，N，M），我想为每个批量大小的样本添加一个 N×M 权重矩阵。为此，我创建了自己的 Keras 层：

from constants import BATCH_SIZE
class Added_Weights(Layer):

  def __init__(self, input_dim, output_dim, **kwargs):
      self.output_dim = output_dim
      self.input_dim = input_dim

      super(Added_Weights, self).__init__(**kwargs)

  def build(self, input_shape):
      # Create a trainable weight variable for this layer.
      self.kernel = self.add_weight(name='kernel',
                                  shape=(BATCH_SIZE, self.input_dim[0], self.input_dim[1]),
                                  initializer=RandomNormal(mean=0., stddev=0.05, seed=None),
                                  trainable=True)

      print("kernel has shape "+self.kernel.shape + " or "+K.int_shape(self.kernel))
      super(Added_Weights, self).build(input_shape)  

  def call(self, x, **kwargs):
      return Add()([x, self.kernel])

  def compute_output_shape(self, input_shape):
      return (BATCH_SIZE, self.input_dim[0], self.input_dim[1])

这可行，但问题是 BATCH_SIZE 许多矩阵中的每一个都有不同的权重。我需要为批次中的每个样本添加相同的权重。

所以我尝试了几件事。Keras 有一个内置的 RepeatVector 层，所以我尝试给出内核形状 (N, M) 并执行 RepeatVector (BATCH_SIZE)(kernel)，但由于某种原因最终得到了形状 (N, BATCH_SIZE, M)。我想在那里使用 Reshape，但 Reshape() 将第一个维度视为 batch_size 并且不允许我修改它。Permute() 有同样的问题。

另一个想法是按照代码中的样子制作初始形状，然后遍历张量以将切片 1 到 BATCH_SIZE-1 设置为等于切片 0，因此它们都具有相同的权重，但我不允许以这种方式为 Keras 张量赋值。

我唯一的另一个想法是尝试使用形状 (N, M) 并希望 Keras 足够聪明，可以将它添加到输入的每个切片中，但是在将 Add() 应用于我的 (?, N, M ) 和 (N, M) 内核，不知何故我最终得到一个 (N, N, M) 张量，此时我们已经死了。

标签： kerasaddshapes

解决方案

我认为你把事情复杂化了。只需将权重定义为 N x M 张量 inbuild并与输入张量 in 进行求和call。我将您的代码调整如下：

from keras.engine.topology import Layer
from keras.models import Model
from keras.layers import Input
import numpy as np

N = 3
M = 4
BATCH_SIZE = 1

class Added_Weights(Layer):
    def __init__(self, **kwargs):
        super(Added_Weights, self).__init__(**kwargs)

    def build(self, input_shape):
        # Create a trainable weight variable for this layer.
        self.kernel = self.add_weight(name='kernel',
                                      shape=(input_shape[1], input_shape[2]),
                                      initializer='ones',  # TODO: Choose your initializer
                                      trainable=True)
        super(Added_Weights, self).build(input_shape)

    def call(self, x, **kwargs):
        # Implicit broadcasting occurs here.
        # Shape x: (BATCH_SIZE, N, M)
        # Shape kernel: (N, M)
        # Shape output: (BATCH_SIZE, N, M)
        return x + self.kernel

    def compute_output_shape(self, input_shape):
        return input_shape


a = Input(shape=(N, M))
layer = Added_Weights()(a)
model = Model(inputs=a,
              outputs=layer)

a = np.zeros(shape=(BATCH_SIZE, N, M))
pred = model.predict(a)
print(pred)

请注意，self.kernel它被隐式广播call以匹配 的形状x，因此将相同的权重添加到批次中的每个样本。

推荐阅读