使用Conv层创建Keras层子类
使用Conv层创建Keras层子类
提问于 2019-07-17 17:06:55
我想创建一个与以下函数类似的自定义tf.keras.layers.Layer：
def conv_block(inputs, filters, kernel_size, strides=(1, 1, 1),
padding='valid', activation=True, block_name='conv3d'):
with tf.name_scope(block_name):
conv = Conv3D(filters=filters, kernel_size=kernel_size, strides=strides,
padding=padding, activation=None,
name='{}_conv'.format(block_name))(inputs)
batch_norm = BatchNormalization(
name='{}_batch_norm'.format(block_name))(conv)
if activation:
relu = ReLU(max_value=6, name='{}_relu'.format(block_name))(batch_norm)
res_layer = relu
else:
res_layer = batch_norm
return res_layerclass ConvBlock(tf.keras.layers.Layer):
def __init__(self, filters, kernel_size, strides=(1, 1, 1), padding='valid', activation=True, **kwargs):
super(ConvBlock, self).__init__()
self.filters = filters
self.kernel_size = kernel_size
self.strides = strides
self.padding = padding
self.activation = activation
self.conv_1 = Conv3D(filters=self.filters,
kernel_size=self.kernel_size,
strides=self.strides,
padding=self.padding,
activation=None)
self.batch_norm_1 = BatchNormalization()
self.relu_1 = ReLU(max_value=6)
def call(self, inputs):
conv = self.conv_1(inputs)
batch_norm = self.batch_norm_1(conv)
if self.activation:
relu = self.relu_1(batch_norm)
return relu
else:
return batch_norm我想在我的模型中多次使用这个Layer。我对此有几个问题：
- 文档提到了在
add_weights()方法中使用build()。不过，在这种情况下是否有需要呢？ - 我是否需要包含一个
build()方法？ - 如何获得该层的输出形状？这些文档提到了使用以下功能： def compute_output_shape(self，input_shape)：shape = tf.TensorShape(input_shape).as_list() self 1= self.output_dim return tf.TensorShape(shape)
如何使用此函数计算输出层的形状？
回答 1
Stack Overflow用户
发布于 2021-03-17 13:01:20
也许您可以直接使用一个函数来封装您的重复操作，而不是子类层，只有当您认为需要使用权重或初始化权重模式时才可以使用子类，因为这是比后者更正确的方法。
示例：
def simple_conv(x):
x = Conv2d(x)
x = Bathcnorm(x)
return x页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/57081006
复制相关文章
相似问题
腾讯云开发者
