时间戳

首页 > 解决方案 > 创建使用 NumPy 数组的自定义 Keras/Tensorflow 函数

numpy - 创建使用 NumPy 数组的自定义 Keras/Tensorflow 函数

问题描述

我正在训练一个神经网络来充当非线性控制器。基本上，ANN (F*) 必须提供一个信号 w = F*(u)，它对某些动态模型 B 执行 B(G(w)) = G(u)。

为了模拟系统和非线性，我使用Python Control，并使用 Keras 创建一个顺序模型：

# Creating model:
F = Sequential (name = 'compensator')
F.add (Dense (4, input_dim = 1, activation = 'linear', name = 'input_layer'))
F.add (Dense (4, activation =  deadzoneInverse, name = 'dense_layer'))
F.add (Dense (1, activation = 'linear', name = 'output_layer'))

并添加另一层进行模拟：

F.add (Dense (1, activation = simulation, name = 'simulation_layer'))

因为simulation是一个使用 Python Control 模块的自定义函数，特别control.matlab.lsim是，它的计算需要在 numpy 数组中完成。模型/函数和 Keras 张量转换可以像这样完成：

对于 B 逆：

# NumPy function:
def _dstar (x):
    y = x
    if (x > 5. * eps) or (x < -5. * eps):
        y = x
    elif (x > eps):
        y = x + a
    elif (x < -eps):
        y = x - a
    else:
        y = x * (1. + a / eps)
    return np.reshape(y, (-1, 1))

# Keras conversion:
def deadzoneInverse (x):
    x_array = K.eval(x)
    y_array = _dstar (x)
    return K.variable (y_array)

和模拟：

def _simul (x):
    x_array = x 
    t_array = np.linspace (0, currTime, int (currTime / Ts))

    y_array, _, _ = cm.lsim (G, x_array, t_array)
    y_array = B(y_array, t_array, a)

    return y_array[-1]

def simulation (x):
    x_array = K.eval(x)
    y_value = _simul(x_array)
    return K.variable (y_value)

但是当我尝试时F.compile，我得到：

InvalidArgumentError: You must feed a value for placeholder tensor 'input_layer_input_14' with dtype float and shape [?,1]
     [[Node: input_layer_input_14 = Placeholder[dtype=DT_FLOAT, shape=[?,1], _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]

有没有更好的方法来实现这些函数，即使使用Python Control（因此，numPy 数组评估）？

标签： numpytensorflowkeras

解决方案

推荐阅读