时间戳

首页 > 解决方案 > 将 Lasagne 转换为 Keras 代码 (CNN -> LSTM)

python - 将 Lasagne 转换为 Keras 代码 (CNN -> LSTM)

问题描述

我想转换这个千层面代码：

et = {}
net['input'] = lasagne.layers.InputLayer((100, 1, 24, 113))
net['conv1/5x1'] = lasagne.layers.Conv2DLayer(net['input'], 64, (5, 1))
net['shuff'] = lasagne.layers.DimshuffleLayer(net['conv1/5x1'], (0, 2, 1, 3))
net['lstm1'] = lasagne.layers.LSTMLayer(net['shuff'], 128)

在 Keras 代码中。目前我想出了这个：

multi_input = Input(shape=(1, 24, 113), name='multi_input')
y = Conv2D(64, (5, 1), activation='relu', data_format='channels_first')(multi_input)
y = LSTM(128)(y)

但我得到了错误：Input 0 is incompatible with layer lstm_1: expected ndim=3, found ndim=4

标签： pythonkeraslstmlasagne

解决方案

解决方案

from keras.layers import Input, Conv2D, LSTM, Permute, Reshape

multi_input = Input(shape=(1, 24, 113), name='multi_input')
print(multi_input.shape)  # (?, 1, 24, 113)

y = Conv2D(64, (5, 1), activation='relu', data_format='channels_first')(multi_input)
print(y.shape)  # (?, 64, 20, 113)

y = Permute((2, 1, 3))(y)
print(y.shape)  # (?, 20, 64, 113)

# This line is what you missed
# ==================================================================
y = Reshape((int(y.shape[1]), int(y.shape[2]) * int(y.shape[3])))(y)
# ==================================================================
print(y.shape)  # (?, 20, 7232)

y = LSTM(128)(y)
print(y.shape)  # (?, 128)

解释

我把 Lasagne 和 Keras 的文档放在这里，方便大家相互参考：

千层面

循环层可以与前馈层类似地使用，除了输入形状应该是(batch_size, sequence_length, num_inputs)

喀拉斯

输入形状

具有形状的 3D 张量(batch_size, timesteps, input_dim)。

基本上 API 是相同的，但 Lasagne 可能会为你重塑（我需要稍后检查源代码）。这就是您收到此错误的原因：

Input 0 is incompatible with layer lstm_1: expected ndim=3, found ndim=4

, 因为之后的张量形状Conv2D是(?, 64, 20, 113)ndim=4

因此，解决方案是将其重塑为(?, 20, 7232).

编辑

用千层面源代码确认，它可以为您解决问题：

num_inputs = np.prod(input_shape[2:])

所以作为 LSTM 输入的正确张量形状是(?, 20, 64 * 113)=(?, 20, 7232)

笔记

Permute在 Keras 中是多余的，因为无论如何你都必须重塑。我把它放在这里的原因是为了有一个从 Lasagne 到 Keras 的“完整翻译”，它做了DimshuffleLaye在 Lasagne 中所做的事情。

DimshuffleLaye然而，由于我在Edit中提到的原因，Lasagne 中需要它，Lasagne LSTM 创建的新维度来自“最后两个”维度的乘积。

推荐阅读