为 Keras 中的某些张量元素分配新值答案

【问题标题】：Assign new values to certain tensor elements in Keras为 Keras 中的某些张量元素分配新值
【发布时间】：2018-12-31 08:03:00
【问题描述】：

我需要更改张量的某些元素的值。我知道哪些元素——它们已经在布尔张量中了。

我看不到如何在 keras 代码中执行此操作。但如果我使用 TensorFlow 代码，我会这样做：

Conditional assignment of tensor values in TensorFlow

在 python numpy 中，代码如下所示：

x = np.zeros_like(sometensor) 
x[sometensor>0.5] = 1.0

在 Keras 代码中（我正在使用 TF 后端），这是我最好的尝试（不起作用）：

encoder_outputs_bin = k.backend.zeros_like(encoder_outputs, name="encoder_outputs_bin")
point_five = k.backend.constant(0.5, shape=k.backend.shape(encoder_outputs), name="point_five")
positives = k.backend.greater_equal(encoder_outputs, point_five)
encoder_outputs_bin[positives].assign(tf.ones(1)) # TF syntax -- might not work in keras

【问题讨论】：

相关：stackoverflow.com/questions/48795910/binarize-tensor-in-keras
以下代码看起来不错，但 Keras 在训练时抛出错误：encoder_outputs = Dense(units=latent_vector_len, activation='sigmoid', kernel_initializer="lecun_normal")(x) encoder_outputs_bin = k.layers.Lambda (lambda z: k.backend.round(z))(encoder_outputs)
是否有使用分类交叉熵损失的简单解决方案，它以某种方式在内部执行二值化并计算该 2 值分类变量的损失？
Round() 是不可微的，当 Keras 尝试计算梯度时，它会导致 Keras 中的错误。然而 Relu 是不可微分的，但众所周知，它工作得很好，所以也许有类似的方法可以让 Round 让 Keras 开心。
Relu 是可微分的。只有当它在零区域时，它才会获得零梯度。（但是在可微区中的其他变量的移动可能会从零中拯救其他变量）。 --- Relu 是可以的，只要你没有所有元素都变为 0 的不幸情况，那么你的模型就会卡住）。

标签： python tensorflow keras

【解决方案1】：

这个答案并不是真正的“分配”，它得到了另一个张量，但我相信它会做......

此外，您打算做的事情将完全破坏这些元素的反向传播。

知道这一点：

positives = k.backend.greater_equal(encoder_outputs, 0.5)
positives = k.backend.cast(positives, k.backend.floatx())

encoder_outputs = positives + ((1-positives)*encoder_outputs)

【讨论】：

需要反向传播。
那么不要让它们保持不变。
如果我有时间我会尝试一下。感谢您的参与。

【解决方案2】：

激活中的 lambda 函数对我有用。这比简单地使用内置激活函数要复杂一步。

encoder_outputs = Dense(units=latent_vector_len, activation=k.layers.Lambda(lambda z: k.backend.round(k.layers.activations.sigmoid(x=z))), kernel_initializer="lecun_normal")(x)

此代码将 Dense 的输出从 Reals 更改为 0,1（即二进制）。

Keras 发出警告，但代码仍然有效。

# Look it works!

y = encoder_model.predict(x=x_in)
print(y)

>>>[[1. 0. 0. 1. 0. 1. 0. 0.]]

【讨论】：

Round 是不会反向传播的函数之一。 :( 拟合时，您将看到“一个操作没有渐变”或“不支持无值”。