使用Keras进行深入学习：如何理解Lambda层和Lambda函数？

我的代码如下：

labels = Input(name='the_labels', shape=[1], dtype='float32')
input_length = Input(name='input_length', shape=[1], dtype='int64')
label_length = Input(name='label_length', shape=[1], dtype='int64')

loss_out = Lambda(ctc_lambda_func, output_shape=(1,), name="ctc")([output, labels, input_length, label_length])

model = Model(input=[net_input, labels, input_length, label_length],  output=[loss_out])
model.compile(loss={'ctc': lambda y_true, y_pred: y_pred},  optimizer=optimizer, metrics=[])

我的ctc_lambda_func定义如下：

def ctc_lambda_func(args):
  y_pred, labels, input_length, label_length = args
  # the 2 is critical here since the first couple outputs of the RNN
  # tend to be garbage:
  shift = 2
  y_pred = y_pred[:, shift:, :]
  input_length -= shift
 return K.ctc_batch_cost(labels, y_pred, input_length, label_length)

我不明白：

损耗=Lambda（ctc\u Lambda\u func，输出形状=（1，）， name=“ctc”）（[输出、标签、输入长度、标签长度]）

有人说Lambda是一个层，但是我该如何使用这个层呢

和

（ctc_lambda_func，output_shape=（1，），name=“ctc”）

是函数“lambda”的参数，但是

的参数是什么（[输出，标签，输入长度，标签长度]）

loss={'ctc'：lambda y_true，y_pred:y_pred}

是loss函数。我发现损失函数列表如下，但没有ctc。

• 均方误差（y_true，y_pred）均方绝对误差（y_true， y_pred）
• 平均绝对百分比误差（y_真，y_pred）
• 均方对数误差（y_真，y_pred）
• 方形铰链（y_真，y_pred）
• 铰链（y_真，y_前）
• 分类铰链（y_真，y_前）
• logcosh（y_true，y_pred）
• 范畴交叉熵（y_真，y_pred）
• 稀疏分类交叉熵（y_真，y_pred）
• 二元交叉熵（y_真，y_pred）
• kullback_-leibler_散度（y_-true，y_-pred）
• 泊松（y_真，y_pred） -余弦近似（y_真，y_pred）

---

我是Keras和Python方面的新手。如果您能给我一些解释，我将不胜感激。

这不是Keras库的正确用法。该代码似乎绕过了API

Lambda层通常用于实现自定义函数，作为Keras中计算图的一部分

（[output，labels，input_length，label_length]）

是传递给自定义函数的张量，在这个函数中为loss函数。这种复杂解决方案背后的原因是API不仅允许对丢失函数进行

（输出、标签）

签名

现在损失函数已经实现，代码的第二部分通过按原样返回预测张量

y_pred

绕过Keras内置的损失函数。

loss={'ctc'：…

对于

'ctc'

层，即Lambda，绕过了loss

---

您可以实现自定义丢失函数，但这不是API的预期用途。对于具有多个参数的丢失解决方案，请查看此项。

欢迎使用此项。请查看此项以改进您的问题（尤其是格式和校对）：这将使别人更容易理解和帮助你。