Lambda 如何向Keras网络提供示例矩阵以进行调试？

我一直在努力，我想确切地了解图层操作是如何工作的。因此，我扩展了第一个示例，如下所示。我不确定我能从这个网络中得到什么，所以我想输入一个维度正确的张量，看看输出是什么。我该怎么做

使用：keras 2.0.2

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.layers import Lambda

model = Sequential([
    Dense(32, input_shape=(10, 12, 14)),
    Activation('relu'),
    Dense(16),
    Activation('softmax'),
])
def output_of_lambda(input_shape):
    return (input_shape[0], 1, input_shape[2])

def mean(x):
    return K.mean(x, axis=1, keepdims=True)

model.add(Lambda(mean, output_shape=output_of_lambda))

model.summary()

输出：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_9 (Dense)              (None, 10, 12, 32)        480       
_________________________________________________________________
activation_9 (Activation)    (None, 10, 12, 32)        0         
_________________________________________________________________
dense_10 (Dense)             (None, 10, 12, 16)        528       
_________________________________________________________________
activation_10 (Activation)   (None, 10, 12, 16)        0         
_________________________________________________________________
lambda_6 (Lambda)            (None, 1, 12)             0         
=================================================================

---

您只需执行一个

predicts=model.predict（data）

其中数据是您的输入数据，其形状必须为

（任意，10,12,14）

---

对于通过单个样品而不是批次，形状必须为

（1,10,12,14）

您只需执行一个

预测=模型。预测（数据）

其中数据是您的输入数据，其形状必须为

（任意，10,12,14）

---

对于通过单个样品而不是批次，形状必须为

（1,10,12,14）

Daniel是对的，还可以使用后端创建keras函数

以下是一个例子：

from keras import backend as K
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.layers import Lambda


model = Sequential([
    Dense(32, input_shape=(10, 12, 14)),
    Activation('relu'),
    Dense(16),
    Activation('softmax'),
])
def output_of_lambda(input_shape):
    return (input_shape[0], 1, input_shape[2])

def mean(x):
    return K.mean(x, axis=1, keepdims=True)

model.add(Lambda(mean, output_shape=output_of_lambda))
model.summary()

# add a function to push some data through the model
func = K.function([model.inputs[0], K.learning_phase()], [model.outputs[0]]

X = np.random.randn(100, 10, 12, 14)
print(func([X, 0]))

这使您可以灵活地查看任何层的输出，只需 通过改变K函数<代码>[model.outputs[0]]到[model.layers[2].output]，这将为您提供第二个密集层的输出

---

有关此问题，请参阅keras常见问题解答：

Daniel是对的，还可以使用后端创建keras函数

以下是一个例子：

from keras import backend as K
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.layers import Lambda


model = Sequential([
    Dense(32, input_shape=(10, 12, 14)),
    Activation('relu'),
    Dense(16),
    Activation('softmax'),
])
def output_of_lambda(input_shape):
    return (input_shape[0], 1, input_shape[2])

def mean(x):
    return K.mean(x, axis=1, keepdims=True)

model.add(Lambda(mean, output_shape=output_of_lambda))
model.summary()

# add a function to push some data through the model
func = K.function([model.inputs[0], K.learning_phase()], [model.outputs[0]]

X = np.random.randn(100, 10, 12, 14)
print(func([X, 0]))

这使您可以灵活地查看任何层的输出，只需 通过改变K函数<代码>[model.outputs[0]]到[model.layers[2].output]，这将为您提供第二个密集层的输出

---

有关此问题，请参阅keras常见问题解答：

谢谢您的提示！谢谢你的提示！