Python 如何在keras中使用lambda层？

我想定义lambda层，将特征与交叉积相结合，然后合并这些模型，就像图一样，我应该怎么做

测试模型_1，从稠密的表单中获取128维，使用

pywt

获取两个64维功能（

cA，cD

），然后返回cA*cD//当然我想合并两个模型，但首先尝试模型_1

from keras.models import Sequential,Model
from keras.layers import Input,Convolution2D,MaxPooling2D
from keras.layers.core import Dense,Dropout,Activation,Flatten,Lambda
import pywt

def myFunc(x):
    (cA, cD) = pywt.dwt(x, 'db1')
#    x=x*x
    return cA*cD

batch_size=32
nb_classes=3
nb_epoch=20
img_rows,img_cols=200,200
img_channels=1
nb_filters=32
nb_pool=2
nb_conv=3

inputs=Input(shape=(1,img_rows,img_cols))
x=Convolution2D(nb_filters,nb_conv,nb_conv,border_mode='valid',
                  input_shape=(1,img_rows,img_cols),activation='relu')(inputs)
x=Convolution2D(nb_filters,nb_conv,nb_conv,activation='relu')(x)
x=MaxPooling2D(pool_size=(nb_pool,nb_pool))(x)
x=Dropout(0.25)(x)
x=Flatten()(x)
y=Dense(128,activation='relu')(x)
cross=Lambda(myFunc,output_shape=(64,))(y)   
predictions=Dense(nb_classes,activation='softmax')(cross)
model = Model(input=inputs, output=predictions)
model.compile(loss='categorical_crossentropy',optimizer='adadelta',metrics=['accuracy'])

model.fit(X_train,Y_train,batch_size=batch_size,nb_epoch=nb_epoch,
          verbose=1,validation_data=(X_test,Y_test))

对不起，我能问一个关于张量的问题吗

import tensorflow as tf
W1 = tf.Variable(np.array([[1,2],[3,4]]))
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
array = W1.eval(sess)
print (array)

没错！但是,

from keras import backend as K
import numpy as np
kvar=K.variable(np.array([[1,2],[3,4]]))
K.eval(kvar)
print(kvar)

---

我得到了

和

kvar.eval（）

我得到了

b'CudaNdarray（[[1.2.]\n[3.4.]]）

。我使用keras，那么如何使用keras获得类似tensorflow的阵列呢？

我可能会复制密集层。不是有2层128个单元，而是有4层64个单元。结果是相同的，但您将能够更好地执行交叉积

from keras.models import Model

#create dense layers and store their output tensors, they use the output of models 1 and to as input    
d1 = Dense(64, ....)(Model_1.output)   
d2 = Dense(64, ....)(Model_1.output)   
d3 = Dense(64, ....)(Model_2.output)   
d4 = Dense(64, ....)(Model_2.output)   

cross1 = Lambda(myFunc, output_shape=....)([d1,d4])
cross2 = Lambda(myFunc, output_shape=....)([d2,d3])

#I don't really know what kind of "merge" you want, so I used concatenate, there are Add, Multiply and others....
output = Concatenate()([cross1,cross2])
    #use the "axis" attribute of the concatenate layer to define better which axis will be doubled due to the concatenation    

model = Model([Model_1.input,Model_2.input], output)

现在，对于lambda函数：

import keras.backend as K

def myFunc(x):
    return x[0] * x[1]

---

谢谢！当我使用model.add（稠密（128））获得128维时，我添加model.add（Lambda（小波，output\u shape=input\u shape[0]），但我不知道如何使用Lambda层。我想使用小波（function:（cA，cD）=pywt.dwt（x，'db1'））来获得近似值和细节系数（它们都是64维的，如图所示）。然后对模型1和模型2的近似系数进行叉积。最后将近似系数和细节系数与模式concat合并。你能帮我写lambda图层吗？对不起，不是叉积，它*更新了我的答案。对不起，输出_形状=。。？我使用theano作为后端，它不能自动推断。是的，您必须将输出形状放在lambda层中。如果使用一维向量，密集层将输出

（64，）

，因此lambda中的输出形状也将是

（64，）

，因此，keras lambda函数需要所有操作才能使用“张量”。中列出了所有常用操作。您必须找到一种以张量方式重写pywt.dwt的方法。不幸的是，这不是一项容易的任务。我认为这个问题很重要，我无法正确回答。lambda层是否必须使用keras后端功能？我可以将张量转换为数组，然后使用pywt.dwt，然后将数组转换为张量吗？这是可能的，但这会中断“图形”并带来错误。要转换数组中的张量，请使用“tensorVar.eval（）”。要从数组创建张量，请使用“K.variable（arrayVar）”，其中K是keras.backend。非常感谢！我将尝试itTry

karr=kvar.eval（）