Python 在keras中使用自定义tensorflow操作

我有一个包含自定义tensorflow操作的tensorflow脚本。我想将代码移植到keras，但我不确定如何在keras代码中调用自定义ops

我想在keras中使用tensorflow，所以到目前为止我找到的教程描述了与我想要的相反的内容：

我还读过关于Lambda层的文章，它可以封装任意自定义函数，但我没有看到tf.ops的示例

如果您能为代码片段提供一个最简单的示例，我将不胜感激。例如，假设tf.ops为：

outC = my_custom_op(inA, inB)

---编辑：

---

类似的问题已经在中描述过——基本上是在keras中调用自定义op，但是我无法掌握如何将其应用到我想要的另一个示例上的解决方案，例如一个。这个定制的tf op首先被编译（用于gpu），然后在tensorflow中使用，如第40行所示。我很清楚如何使用lambda层中包装的自定义（lambda）函数，如果我使用keras，我想了解的是如何使用编译的自定义ops。

您可以在keras

lambda层中包装任意tensorflow函数，并将它们添加到您的模型中。最简单的工作示例：

你是说一个自定义层吗？为了在Keras中使用TensorFlow，你可以从Keras导入后端执行
作为K
，其中
K
对应于TensrFlow。例如
K.nn.relu
相当于
tf.nn.relu
etc@Colonder，谢谢你的帮助。请阅读更新的描述。我不确定这个预编译的自定义op是否可以/应该制作成自定义层。如果是，这是我想在一个简单的例子中理解的概念，我在上面提供了示例性github回购协议。我认为最好坚持Keras的思想，从Keras导入后端作为K

而不是从Keras导入tensorflow作为tf所有tensorflow函数在Keras后端都可用吗

K.matmul

给了我一个错误。是的，它们是，但它们的名称不同

tf.matmul

相当于

K.dot

，但是是的，归根结底这并不重要，所有的tensorflow函数在keras后端都不可用。而且很多都改变了，使用不同的输入，功能有限。我尝试了一段时间只使用K函数，但那实在太有限了使用

tf

而不是

K

的唯一问题是无法将代码迁移到其他后端。

import tensorflow as tf
from keras.layers import Dense, Lambda, Input
from keras.models import Model

W = tf.random_normal(shape=(128,20))
b = tf.random_normal(shape=(20,))

inp = Input(shape=(10,))
x = Dense(128)(inp)
# Custom linear transformation
y = Lambda(lambda x: tf.matmul(x, W) + b, name='custom_layer')(x) 
model = Model(inp, y)