python - 如何在一层模块中打包多个keras层？

Question

我必须从 pytorch 切换到 keras，在 pytorch 中我可以使用这样的代码创建类模块层:

from pytorch import nn

class up(nn.Module):
def __init__(self, in_ch, out_ch):
    super(up, self).__init__()
    self.up = nn.Upsample(scale_factor=2)
    self.conv = nn.Conv2D(in_ch, out_ch)
    # !!!! here two layers packaged in one
def forward(self, x1, x2):
    x1 = self.up(x1)
    x = t.cat([x2, x1], dim=1)
    x = self.conv(x)
    return x

如何在keras中以这种类似模块层的方式组织代码？

Answer 1

发现一种方法是执行函数:

def double_conv(var1, input):
    x = k.layers.Conv2d(some_parameters) (input)
    x = k.layers.Conv2d(some_parameters) (x)
    x = k.layers.MaxPooling2d(some_parameters) (x)
    return x

但是还有更多的“kerasic”方法吗？

---

编辑这就是我一直在寻找的使用像 Keras 层这样的函数的方法，但是如果有人能找到更好的方法来组织代码，那么我会欢迎任何想法

def conv_bn_relu(filters, kernel=(3,3)):
    def inside(x):
        x = Conv2D(filters, kernel, padding='same') (x)
        x = BatchNormalization() (x)
        x = Activation('relu') (x)
        return x
    return inside

# usage:
x = conv_bn_relu(params) (x)

---

EDIT2
你甚至可以像类一样在 CamelCase 中欺骗和命名这个函数，这样它看起来就像创建像层一样的 Keras

def ConvBnRelu(filters, kernel=(3,3)):
    def inside(x):
        x = Conv2D(filters, kernel, padding='same') (x)
        x = BatchNormalization() (x)
        x = Activation('relu') (x)
        return x
    return inside

# usage:
x = ConvBnRelu(params) (x)

但可能第二种解决方案会受到批评