Python Keras自定义层调用方法中的批处理形状

我正在尝试创建一个RBF层的实现

以下是构建方法：

def build(self, input_shape):

    self.centers = self.add_weight(name='centers',
                                   shape=(self.output_dim, input_shape[1]),
                                   initializer=self.initializer,
                                   trainable=True)
    self.betas = self.add_weight(name='betas',
                                 shape=(self.output_dim,),
                                 initializer=Constant(value=self.init_betas),
                                 trainable=True)

    super(RBFLayer, self).build(input_shape)

电话如下：

def call(self, x):
    sub = self.centers - x  # centers shape (400, 11970), x shape (100, 11970)
    sqr = sub * sub
    rbf = K.exp(-self.betas * K.sum(sqr, axis=1))
    return rbf  # must have size (100, 400)

输入大小为11970

层大小为400

批量为100

我的问题是，我希望调用方法中的x变量是有形状的（None，11970），这样我就可以从self.centers中减去它，后者是有广播的（40011970）

但是我得到了x的形状（10011970），因此我马上得到了一批。现在我需要做100次减法来获得形状（10040011970）。然后在输入方向上求平方和，将其缩小为（100400）形状

---

有人能告诉我怎么做吗？

我想我知道你想做什么。将

self.centers

和

x

的维度展开如下，然后将发生隐式广播：

def call(self, x):
    centers = self.centers[None, :, :]  # Shape=(1, 400, 11970)
    x = x[:, None, :]  # Shape=(100, 1, 11970)
    sub = centers - x  # Shape=(100, 400, 11970)
    sqr = sub * sub
    rbf = K.exp(-self.betas * K.sum(sqr, axis=-1))
    return rbf  # Shape=(100, 400)

---

注：未测试。

Tensor

x

具有形状

（批次大小，输入尺寸）

。张量

self.centers

具有形状

（输出尺寸，输入尺寸）

。此处不会进行广播，因为

批处理大小=100

和

输出大小=400

之间不匹配。我不明白你想做什么。首先假设“批量大小”为1。输入尺寸是11970‘self.centers’是400行和11970列现在我想用广播从中心减去x，这样就可以重复地从每行减去x。当我们有一个批量大小像100。我需要“self.centers”的“batch_size”副本，然后从每个副本中减去一个带有broadcastinghanks的单批元素，它确实有效。不幸的是，大小为10040011970的张量不适合我的旧GPU内存：-）不得不将批处理大小减少到12