Machine learning Keras自定义图层2D输入->；二维输出 我有一个2D输入（或者3D，如果一个考虑了样本的数量），我想应用一个KARAS层，它将接受这个输入并输出另一个2D矩阵。例如，如果我有一个大小为（ExV）的输入，学习权重矩阵是（SxE），输出是（SxV）。我能用致密层做这个吗

编辑（Nassim请求）：

第一层什么也不做。这只是给Lambda层一个输入：

from keras.models import Sequential
from keras.layers.core import Reshape,Lambda
from keras import backend as K
from keras.models import Model

input_sample = [
[[1,2,3,4,5],[6,7,8,9,10],[11,12,13,14,15],[16,17,18,19,20]]
,[[21,22,23,24,25],[26,27,28,29,30],[31,32,33,34,35],[36,37,38,39,40]]
,[[41,42,43,44,45],[46,47,48,49,50],[51,52,53,54,55],[56,57,58,59,60]]
]


model = Sequential()
model.add(Reshape((4,5), input_shape=(4,5)))
model.add(Lambda(lambda x: K.transpose(x)))
intermediate_layer_model = Model(input=model.input,output=model.layers[0].output)
print "First layer:"
print intermediate_layer_model.predict(input_sample)
print ""
print "Second layer:"
intermediate_layer_model = Model(input=model.input,output=model.layers[1].output)
print intermediate_layer_model.predict(input_sample)

---

您需要的可能是自动编码器

---

这取决于你想做什么。它是二维的，因为它是一个序列吗？然后，LSTM就是为此而生成的，如果您设置return_sequence=True，那么如果需要大小，它将返回一个序列

CNN还可以处理2D输入，并根据您使用的内核数量输出大小可变的内容

否则，您可以将其重塑为（E x V，）1D张量，使用具有SxV维度的密集层，并将输出重塑为（S，V）2D张量

我帮不了你更多，我们需要知道你的用例：-）神经网络有太多的可能性

编辑：

您可以使用时间分布（密集）。 如果您的输入有一个形状（E，V），您可以将其重塑为（V，E），以V作为“时间维度”。然后应用TimeDistributed（Dense（S）），这将是一个具有权重（ExS）的稠密层，输出将具有形状（V，S），因此可以将其重塑为（S，V）

这就是你想要的吗？TimeDistributed（）层将使用共享权重对输入的每个V行应用相同的密集层

编辑2:

在查看keras后端的代码后，发现要使用tensorflow的转置，并提供“置换模式”选项，您需要使用K.permute_维度（x，pattern）。必须包括批次维度。就你而言：

Lambda(lambda x: K.permute_dimensions(x,[0,2,1]))

---

K.转置（x）在内部使用相同的函数（对于tf后端），但置换设置为默认值，即[n，n-1，…，0]。

Hi，感谢您的回复。不是序列，因此不能使用LSTM。我也考虑过CNN，但它没有学习权重（SxE）矩阵，因为它将共享权重。重塑的可能性也不起作用，因为情况正好相反，即所有权重将同时应用于每个神经元。用另一个命题编辑：）这就是你想要的吗？谢谢，我想就是这样！这是一种既好又聪明的方法附加说明：不得使用Keras重塑层进行转置计算，因为该层不进行转置。