Python 对tf/keras网络功能的质疑

我正在研究分位数回归，我有一些问题要理解下面的网络是如何工作的：

    z = tf.keras.layers.Input((len(features),), name="Patient")
    x = tf.keras.layers.Dense(100, activation="relu", name="d1")(z)
    x = tf.keras.layers.Dense(100, activation="relu", name="d2")(x)
    
    p1 = tf.keras.layers.Dense(3, activation="relu", name="p1")(x)
    p2 = tf.keras.layers.Dense(3, activation="relu", name="p2")(x)
    preds = tf.keras.layers.Lambda(lambda x: x[0] + tf.cumsum(x[1], axis=1),
                                   name="preds")([p1, p2])
    
    model = tf.keras.Model(z, preds)

特别是，当使用Lambda时，我不理解最后一层“preds”：我知道Lambda函数在python中如何工作，但我不理解Lambda层如何结合输入张量。我希望有人能帮助我理解这一点。 在Kaggle竞赛“osic肺纤维化进展”中，网络被大量用于笔记本电脑

行中：

preds = tf.keras.layers.Lambda(lambda x: x[0] + tf.cumsum(x[1], axis=1),
                               name="preds")([p1, p2])

Lambda层的输入是

[p1，p2]

。所以

x=[p1，p2]

。因此

x[0]=p1

，

x[1]=p2

因此，它执行的操作是

x[0]+tf.cumsum（x[1]，轴=1）

，即

p1+tf.cumsum（p2，轴=1）

。你可以 关于

tf.cumsum（）

函数，请参阅

---

希望这能消除你的疑虑。如果您还有其他问题，请随时发表评论。

您能澄清您的问题吗？理解Python中的lambda函数有困难吗？或者你有没有关于Keras的问题？你得到了意想不到的结果吗？您提供的示例的上下文是什么？你是从什么地方抄来的吗？@tomanizer我刚刚修改了帖子：）。主要的问题是我不明白输入张量是如何组合的谢谢！在你们的回答之后我还有一个问题：因为输入张量形状是（批量大小，p1/p2的尺寸），所以求和中的轴是1？如果是这样，该层的结果就是p1+p2的累积和？为什么很多人使用这个解决方案而不直接预测回归的结果？p1、p2和pred的形状都是（批次大小，3）（3，因为密集层）。是的，该层的结果只是p1+p2的累积和的总和，但要将其用作keras模型，需要将其添加到lambda层中。可能是模型需要使用cumsum（）。与使用Conv2D的图像一样，对于文本，您使用LSTM、GRU等。因此，对于使用回归/稠密直接预测，您需要两个额外的稠密层，因此在不知道使用模型的原因的情况下简化了任务，无法解释为什么在那里使用模型