时间戳

首页 > 解决方案 > Keras 中 Kronecker 产品的自定义 Lambda 层 - 为 batch_size 保留的维度存在问题

python - Keras 中 Kronecker 产品的自定义 Lambda 层 - 为 batch_size 保留的维度存在问题

问题描述

我正在使用带有 Tensorflow 后端的 Keras 2.1.5 来创建图像分类模型。在我的模型中，我想通过计算Kronecker 积来组合卷积层的输入和输出。我使用 Keras 后端函数编写了计算两个 3D 张量的 Kronecker 乘积的函数。

def kronecker_product(mat1, mat2):
    #Computes the Kronecker product of two matrices.
    m1, n1 = mat1.get_shape().as_list()
    mat1_rsh = K.reshape(mat1, [m1, 1, n1, 1])
    m2, n2 = mat2.get_shape().as_list()
    mat2_rsh = K.reshape(mat2, [1, m2, 1, n2])
    return K.reshape(mat1_rsh * mat2_rsh, [m1 * m2, n1 * n2])

def kronecker_product3D(tensors):
    tensor1 = tensors[0]
    tensor2 = tensors[1]
    #Separete slices of tensor and computes appropriate matrice kronecker product
    m1, n1, o1 = tensor1.get_shape().as_list()
    m2, n2, o2 = tensor2.get_shape().as_list()
    x_list = []
    for ind1 in range(o1):
        for ind2 in range(o2):
            x_list.append(DenseNetKTC.kronecker_product(tensor1[:,:,ind1], tensor2[:,:,ind2]))
    return K.reshape(Concatenate()(x_list), [m1 * m2, n1 * n2, o1 * o2])

然后我尝试使用 Lambda 层将操作包装到 Keras 层中：

cb = Convolution2D(12, (3,3), padding='same')(x)
x = Lambda(kronecker_product3D)([x, cb])

但收到错误“ ValueError: too many values to unpack (expected 3) ”。我希望输入是 3 维的张量，但实际上，它有 4 维——第一个维是为 Keras 中的 batch_size 保留的。我不知道如何处理具有动态大小的第四维度。

我搜索了很多，但找不到任何手动处理批次维度的示例函数。

我会很高兴任何提示或帮助。非常感谢！

标签： pythontensorflowlambdakeraskeras-layer

解决方案

简单的解决方案：

只需将批次维度添加到您的计算和重塑中 

def kronecker_product(mat1, mat2):
    #Computes the Kronecker product of two matrices.
    batch, m1, n1 = mat1.get_shape().as_list()
    mat1_rsh = K.reshape(mat1, [-1, m1, 1, n1, 1])
    batch, m2, n2 = mat2.get_shape().as_list()
    mat2_rsh = K.reshape(mat2, [-1, 1, m2, 1, n2])
    return K.reshape(mat1_rsh * mat2_rsh, [-1, m1 * m2, n1 * n2])

def kronecker_product3D(tensors):
    tensor1 = tensors[0]
    tensor2 = tensors[1]
    #Separete slices of tensor and computes appropriate matrice kronecker product
    batch, m1, n1, o1 = tensor1.get_shape().as_list()
    batch, m2, n2, o2 = tensor2.get_shape().as_list()
    x_list = []
    for ind1 in range(o1):
        for ind2 in range(o2):
            x_list.append(kronecker_product(tensor1[:,:,:,ind1], tensor2[:,:,:,ind2]))
    return K.reshape(Concatenate()(x_list), [-1, m1 * m2, n1 * n2, o1 * o2])

对于困难的解决方案，我会尝试找出一种避免迭代的方法，但这可能比我想象的要复杂得多......

推荐阅读