时间戳

首页 > 解决方案 > 如何在 Keras 中向 Conv2D 层添加自定义“过滤器”

keras - 如何在 Keras 中向 Conv2D 层添加自定义“过滤器”

问题描述

我的研究项目要求我在 Keras 的 Conv2D 层中添加一些自定义“过滤器”（除了 Conv2D 自己训练的过滤器）。我怎样才能做到这一点？我可以通过构建任何“自定义层”来实现这一点吗？如果是的话，任何人都可以向我指出可以帮助我实现这一目标的资源吗？

我尝试理解 github 中的 Conv2D 代码，但无法理解它在哪里以及如何处理它的过滤器。

我期待找到一种方法将我的自定义过滤器添加到 conv2d 层中，例如 .. [[1 0 0][0 1 0][0 0 1]] 以便在预测过程中将图像与我提供的过滤器进行卷积.

标签： keras

解决方案

在 keras 中，这很简单。

让我们举个例子。假设我们想将自定义过滤器应用于输入矩阵（图像） -

在此处输入图像描述

必要的进口 

import keras.backend as K
import numpy as np
from keras import Input, layers
from keras.models import Model

自定义过滤器的定义

在此处输入图像描述

# custom filter
def my_filter(shape, dtype=None):

    f = np.array([
            [[[1]], [[0]], [[-1]]],
            [[[1]], [[0]], [[-1]]],
            [[[1]], [[0]], [[-1]]]
        ])
    assert f.shape == shape
    return K.variable(f, dtype='float32')

虚拟示例输入图像（1 通道）

input_mat = np.array([
    [ [4], [9], [2], [5], [8], [3] ],
    [ [3], [6], [2], [4], [0], [3] ],
    [ [2], [4], [5], [4], [5], [2] ],
    [ [5], [6], [5], [4], [7], [8] ],
    [ [5], [7], [7], [9], [2], [1] ],
    [ [5], [8], [5], [3], [8], [4] ]
])
input_mat = input_mat.reshape((1, 6, 6, 1))

我们将在其中使用自定义过滤器的虚拟 conv 模型

def build_model():
    input_tensor = Input(shape=(6,6,1))
    x = layers.Conv2D(1, kernel_size = 3,
                      kernel_initializer=my_filter,
                      strides=2, padding='valid') (input_tensor)
    model = Model(inputs=input_tensor, outputs=x)
    return model

测试 

model = build_model()
out = model.predict(input_mat)
print(out)

输出

[[[[ 0.]
   [-4.]]

  [[-5.]
   [ 3.]]]]

推荐阅读