Neural network 将张量的各个通道传递给Keras中的层

我试图为theano后端模拟相当于SeparableConvolution2D层的东西（TensorFlow后端已经存在）。作为第一步，我需要做的是将一个通道从张量传递到下一层。假设我有一个名为conv1的二维卷积层，它有16个过滤器，产生一个带有形状的输出：（batch_size，16，height，width）。我需要选择带有形状（：，0，：，：，：）的子传感器，并将其传递到下一层。够简单吧

这是我的代码：

from keras import backend as K

image_input = Input(batch_shape = (batch_size, 1, height, width ), name = 'image_input' )

conv1 = Convolution2D(16, 3, 3, name='conv1', activation = 'relu')(image_input)

conv2_input = K.reshape(conv1[:,0,:,:] , (batch_size, 1, height, width))

conv2 = Convolution2D(16, 3, 3, name='conv1', activation = 'relu')(conv2_input)

这引发了：

异常：您试图调用层“conv1”。该层没有关于其预期输入形状的信息，因此无法构建。您可以通过：layer.build（批处理输入形状）手动构建它。

---

为什么图层没有所需的形状信息？我正在使用theano后端的重塑。这是将单个通道传递到下一层的正确方法吗？

我在keras用户组上问了这个问题，我在那里得到了答案：

引用它：

您需要使用lambda层，例如：lambda（x:x[：，0:1，：，：]，output_shape=lambda x:（x[0]，1，x[2]，x[3]））

请注意，这种可分离卷积的手动实现效率极低。正确的解决方案是使用TensorFlow后端

---

您应该引用该链接的相关部分，以便该答案是完整的。