有人为keras写过weldon pooling吗？

Weldon池[1]是否已在Keras中实施

我可以看到，作者[2]已经在pytorch中实现了它，但找不到与keras等效的版本

[1] T.杜兰德、N.托姆和M.科德。韦尔登：苏- 深度卷积神经网络的监督学习。在里面 CVPR，2016年。

---

[2]

这里是一个基于lua版本的版本（有一个pytorch impl，但我认为取max+min的平均值有一个错误）。我假设lua版本的最大值和最小值的平均值仍然是正确的。“我还没有测试整个自定义层方面，但已经足够接近了，可以开始工作了，”欢迎评论

托尼

class WeldonPooling（层）：
“”“类来实现带有否定证据的Weldon选择性空间池。”
"""
#@interfaces.legacy\u全局\u池\u支持
定义初始化（self，kmax，kmin=-1，数据格式=None，**kwargs）：
超级（WeldonPooling，self）。\uuuuuuuuuuuuuuuuu初始（**kwargs）
self.data\u format=conv\u utils.normalize\u data\u format（数据格式）
self.input\u spec=InputSpec（ndim=4）
self.kmax=kmax
self.kmin=kmin
def计算输出形状（自身、输入形状）：
如果self.data\u format=='channels\u last'：
返回（输入形状[0]，输入形状[3]）
其他：
返回（输入形状[0]，输入形状[1]）
def get_配置（自身）：
config={'data_format'：self.data_format}
base_config=super（_GlobalPooling2D，self）.get_config（）
return dict（list（base_config.items（））+list（config.items（））
def呼叫（自我，输入）：
如果self.data\u format==“channels\u last”：
输入=tf.转置（输入[0,3,1,2]）
kmax=self.kmax
kmin=self.kmin
shape=tf.shape（输入）
批次大小=形状[0]
通道数=形状[1]
h=形状[2]
w=形状[3]
n=h*w
视图=tf.重塑（输入，[批次大小，通道数，n]）
排序，索引=tf.nn.top_k（视图，n，排序=True）
#索引\u max=tf.slice（索引，[0,0,0]，[batch\u size，num\u channels，kmax]）
输出=tf.div（tf.reduce_sum（tf.slice（排序，[0,0,0]，[batch_size，num_channels，kmax]），2），kmax）
如果kmin>0：
#索引\u min=tf.slice（索引，[0,0，n-kmin]，[batch\u size，num\u channels，kmin]）
输出=tf.add（输出，tf.div（tf.reduce_和（tf.slice（排序，[0,0，n-kmin]，[batch_size，num_channels，kmin]），2），kmin））
返回tf.REFORMATE（输出，[批次大小，数量通道]）

另请注意，这仅用于TF后端。“tf.”可以用“K.tf.”代替，使其更像Keras-y。对于其他后端，它将需要它们的特定实现，因为没有对所需操作的抽象。