时间戳

首页 > 解决方案 > 如何在 Keras 中使用“有状态”变量/张量创建自定义层？

tensorflow - 如何在 Keras 中使用“有状态”变量/张量创建自定义层？

问题描述

我想请你帮忙创建我的自定义层。我要做的实际上很简单：生成一个带有“有状态”变量的输出层，即每批更新其值的张量。

为了让一切更清楚，这里是我想做的一个片段：

def call(self, inputs)

   c = self.constant
   m = self.extra_constant

   update = inputs*m + c 
   X_new = self.X_old + update 

   outputs = X_new

   self.X_old = X_new   

   return outputs

这里的想法很简单：

我发现可以K.update完成这项工作，如示例所示：

 X_new = K.update(self.X_old, self.X_old + update)

这里的问题是，如果我尝试将层的输出定义为：

outputs = X_new

return outputs

当我尝试 model.fit() 时，我会收到以下错误：

ValueError: An operation has `None` for gradient. Please make sure that all of your ops have 
gradient defined (i.e. are differentiable). Common ops without gradient: K.argmax, K.round, K.eval.

即使我强加了这个错误layer.trainable = False并且我没有为图层定义任何偏差或权重，我仍然会遇到这个错误。另一方面，如果我只是这样做self.X_old = X_new， 的值X_old不会得到更新。

你们有解决方案来实现这个吗？我相信这不应该那么难，因为有状态的 RNN 也有“类似”的功能。

在此先感谢您的帮助！

标签： tensorflowkerasrecurrent-neural-networklayerstateful

解决方案

定义自定义层有时会变得令人困惑。您覆盖的某些方法将被调用一次，但它给您的印象是，就像许多其他 OO 库/框架一样，它们将被调用多次。

这就是我的意思：当您定义一个层并在模型中使用它时，您为覆盖call方法编写的 Python 代码不会在向前或向后传递中直接调用。相反，它只在您调用时调用一次model.compile。它将 python 代码编译为计算图，张量将在其中流动的图是训练和预测期间的计算。

这就是为什么如果你想通过添加一个print语句来调试你的模型是行不通的；您需要使用tf.print向图形添加打印命令。

您想要拥有的状态变量也是如此。而不是简单地分配old + update给new您，而是需要调用一个 Keras 函数，将该操作添加到图中。

请注意，张量是不可变的，因此您需要tf.Variable在__init__方法中定义状态。

所以我相信这段代码更像你正在寻找的：

class CustomLayer(tf.keras.layers.Layer):
  def __init__(self, **kwargs):
    super(CustomLayer, self).__init__(**kwargs)
    self.state = tf.Variable(tf.zeros((3,3), 'float32'))
    self.constant = tf.constant([[1,1,1],[1,0,-1],[-1,0,1]], 'float32')
    self.extra_constant = tf.constant([[1,1,1],[1,0,-1],[-1,0,1]], 'float32')
    self.trainable = False

  def call(self, X):
    m = self.constant    
    c = self.extra_constant
    outputs = self.state + tf.matmul(X, m) + c
    tf.keras.backend.update(self.state, tf.reduce_sum(outputs, axis=0))

    return outputs

推荐阅读