Keras 自定义层 2D 输入 -> 2D 输出

Question

我有一个 2D 输入（如果考虑样本数量，则为 3D），我想应用一个 keras 层来接受这个输入并输出另一个 2D 矩阵。因此，例如，如果我有一个大小为 (ExV) 的输入，则学习权重矩阵将是 (SxE) 和输出 (SxV)。我可以用密集层做到这一点吗？

编辑（纳西姆请求）：

第一层什么都不做。只是给 Lambda 层一个输入：

from keras.models import Sequential
from keras.layers.core import Reshape,Lambda
from keras import backend as K
from keras.models import Model

input_sample = [
[[1,2,3,4,5],[6,7,8,9,10],[11,12,13,14,15],[16,17,18,19,20]]
,[[21,22,23,24,25],[26,27,28,29,30],[31,32,33,34,35],[36,37,38,39,40]]
,[[41,42,43,44,45],[46,47,48,49,50],[51,52,53,54,55],[56,57,58,59,60]]
]


model = Sequential()
model.add(Reshape((4,5), input_shape=(4,5)))
model.add(Lambda(lambda x: K.transpose(x)))
intermediate_layer_model = Model(input=model.input,output=model.layers[0].output)
print "First layer:"
print intermediate_layer_model.predict(input_sample)
print ""
print "Second layer:"
intermediate_layer_model = Model(input=model.input,output=model.layers[1].output)
print intermediate_layer_model.predict(input_sample)

Answer 1

你想要的可能是自动编码器。

https://blog.keras.io/building-autoencoders-in-keras.html

Answer 2

这取决于你想做什么。它是二维的，因为它是一个序列吗？然后 LSTM 是为此而设计的，如果您设置 return_sequence=True，它将返回一个序列（如果需要大小）。

CNN 也可以处理 2D 输入，并且会根据您使用的内核数量输出可变大小的内容。

否则，您可以将其重塑为 (E x V, ) 1D 张量，使用具有 SxV 维度的 Dense 层并将输出重塑为 (S,V) 2D 张量...

我无法为您提供更多帮助，我们需要了解您的用例 :-) 神经网络有太多的可能性。

编辑：

您可以使用 TimeDistributed(Dense(S))。 如果您的输入具有形状 (E,V)，则将其重塑为 (V,E) 以使 V 作为“时间维度”。然后应用 TimeDistributed(Dense(S))，这将是一个具有权重 (ExS) 的密集层，输出将具有 (V,S) 形状，因此您可以将其重塑为 (S,V)。

这就是你想要的吗？ TimeDistributed() 层会将相同的 Dense(S) 层应用到您输入的每 V 行，并具有共享权重。

编辑 2：

在查看了 keras 后端的代码后，发现要使用 tensorflow 的转置和“排列模式”选项可用，您需要使用 K.permute_dimensions(x,pattern)。必须包含批次维度。在你的情况下：

Lambda(lambda x: K.permute_dimensions(x,[0,2,1]))

K.transpose(x) 在内部使用相同的函数（用于 tf 后端），但排列设置为默认值，即 [n,n-1,...,0]。