Merge Keras中两个张量的卷积合并_Merge_Keras

Merge Keras中两个张量的卷积合并

merge keras

Merge Keras中两个张量的卷积合并,merge,keras,Merge,Keras,我试图在Keras中卷积两个一维张量。我从其他模型获得两个输入： x-长度为100 ker-长度为5 我想使用内核ker得到x的1D卷积。我写了一个Lambda层来实现它： import tensorflow as tf def convolve1d(x): y = tf.nn.conv1d(value=x[0], filters=x[1], padding='VALID', stride=1) return y x = Input(shape=(100,)) ker =

我试图在Keras中卷积两个一维张量。我从其他模型获得两个输入：

-长度为100

ker

-长度为5

我想使用内核

ker

得到

的1D卷积。我写了一个Lambda层来实现它：

import tensorflow as tf
def convolve1d(x):
    y = tf.nn.conv1d(value=x[0], filters=x[1], padding='VALID', stride=1)
    return y

x = Input(shape=(100,))
ker = Input(shape=(5,))
y = Lambda(convolve1d)([x,ker])
model = Model([x,ker], [y])

我得到以下错误：

ValueError: Shape must be rank 4 but is rank 3 for 'lambda_67/conv1d/Conv2D' (op: 'Conv2D') with input shapes: [?,1,100], [1,?,5].

有人能帮我理解如何修复它吗？

根据给定的代码，很难指出您所说的是什么意思

可能吗

但若你们的意思是合并两个层并将合并的层馈送给convulation，那个么这是可能的

x = Input(shape=(100,))
ker = Input(shape=(5,))
merged = keras.layers.concatenate([x,ker], axis=-1)
y = K.conv1d(merged, 'same')
model = Model([x,ker], y)

编辑： @user2179331感谢您澄清您的意图。现在您错误地使用了Lambda类，这就是显示错误消息的原因。但是，可以使用keras.backend层来实现您正在尝试的操作。但是要注意的是，当使用较低级别的层时，您将丢失一些较高级别的抽象。例如，当使用keras.backend.conv1d时，您需要输入形状为（批量大小、宽度、通道），内核形状为（内核大小、输入通道、输出通道）。因此，在您的例子中，假设

有1个通道（输入通道==1），y也有相同数量的通道（输出通道==1）

因此，您的代码现在可以重构如下

from keras import backend as K
def convolve1d(x,kernel):
    y = K.conv1d(x,kernel, padding='valid', strides=1,data_format="channels_last")
    return y
input_channels = 1
output_channels = 1
kernel_width = 5
input_width = 100
ker = K.variable(K.random_uniform([kernel_width,input_channels,output_channels]),K.floatx())
x = Input(shape=(input_width,input_channels)
y = convolve1d(x,ker)

这比我预期的要困难得多，因为Keras和Tensorflow不希望卷积内核中有任何批处理维度，所以我必须自己在批处理维度上编写循环，这需要指定

batch_shape

，而不仅仅是

Input

层中的

shape

。这是：

import numpy as np
import tensorflow as tf
import keras
from keras import backend as K
from keras import Input, Model
from keras.layers import Lambda

def convolve1d(x):
    input, kernel = x
    output_list = []
    if K.image_data_format() == 'channels_last':
        kernel = K.expand_dims(kernel, axis=-2)
    else:
        kernel = K.expand_dims(kernel, axis=0)
    for i in range(batch_size): # Loop over batch dimension
        output_temp = tf.nn.conv1d(value=input[i:i+1, :, :],
                                   filters=kernel[i, :, :],
                                   padding='VALID',
                                   stride=1)
        output_list.append(output_temp)
        print(K.int_shape(output_temp))
    return K.concatenate(output_list, axis=0)

batch_input_shape = (1, 100, 1)
batch_kernel_shape = (1, 5, 1)

x = Input(batch_shape=batch_input_shape)
ker = Input(batch_shape=batch_kernel_shape)
y = Lambda(convolve1d)([x,ker])
model = Model([x, ker], [y])

a = np.ones(batch_input_shape)
b = np.ones(batch_kernel_shape)
c = model.predict([a, b])

在当前状态下：

它不适用于具有多个通道的输入（
```
x
```
）
如果您提供了几个过滤器，那么您将获得尽可能多的输出，每个输出都是输入与相应内核的卷积

input_signal = Input(shape=(L), name='input_signal')
input_h = Input(shape=(N), name='input_h')
faded= Lambda(lambda x: tf.nn.conv1d(input, x))(input_h)

ker

ker

ker

ker