python - 如何在keras模型中使用tf操作

Question

我正在尝试在 keras 模型中使用 tensorflow 操作，但我对该机制以及 Lambda 层对 tf 张量的作用感到非常困惑。

所以这有效:

a = keras.layers.Input(shape=[1, 2], dtype='float', name='a')
s= keras.layers.Lambda(lambda x: tf.transpose(tf.transpose(x)))(a)
model = keras.models.Model(inputs=a, outputs=s)

但这不起作用:

a = keras.layers.Input(shape=[1, 2], dtype='float', name='a')
s = tf.transpose(tf.transpose(a))
s = keras.layers.Lambda(lambda x: x)(s)
model = keras.models.Model(inputs=a, outputs=s)

它说:

AttributeError: 'Tensor' object has no attribute '_keras_history'

那么是否总是需要将 tf 操作打包在一个层内？

问题 2(这就是我提出上一个问题的原因):我们是否必须打包自定义层才能在 keras 中进行矩阵乘法？

谢谢。

Answer 1

问题 1:是的，有必要用一层包装 tf 操作，因为 keras 模型需要某些 tensorflow 操作中未包含的函数/变量。在本例中，_keras_history 是仅通过用层包装操作来生成的属性。

问题 2:矩阵乘法是否有效？您是否考虑过使用带有 use_bias=False 的 keras Dense 层？如果您想使用权重向量常量，可以设置 kernel_initializer={constant} 和 trainable=False。