目录

• 1 作用
• 2 参数解析
• • • keras.layers.core.Lambda(function, output_shape=None, mask=None, arguments=None)
• 3 举例
• • 3.1 传参举例
  • 3.2 简单Demo
  • 3.3 利用Lambda表达式实现某层数据的切片

1 作用

Lambda表达式： 用一行代码去表示一个函数，简化和美观代码。

keras.layers.Lambda()： 是Lambda表达式的应用。指定在神经网络模型中，如果某一层需要通过一个函数去变换数据，那利用keras.layers.Lambda()这个函数单独把这一步数据操作命为单独的一Lambda层。

2 参数解析

keras.layers.core.Lambda(function, output_shape=None, mask=None, arguments=None)

参数

• function：要实现的函数，该函数仅接受一个变量，即神经网络上一层的输出

• output_shape：函数应该返回的值的shape，可以是一个tuple，也可以是一个根据输入shape计算输出shape的函数

• mask: 掩膜

• arguments：可选，是字典格式，用来传参

3 举例

3.1 传参举例

arguments参数，利用字典格式来传参

# index是参数,
def slice(x,index):
    return x[:,:,index]

# 通过字典将参数index = 0传递进去
x1 = Lambda(slice,output_shape=(4,1),arguments={'index':0})(a)
# 通过字典将参数index = 1 传递进去
x2 = Lambda(slice,output_shape=(4,1),arguments={'index':1})(a)

3.2 简单Demo

from keras.layers import Lambda
from keras.models import Input, Model
import numpy as np

## 第一步 定义模型
# 初始化两个输入形参
a = Input(shape=(2, ))
b = Input(shape=(2, ))
 
# 定义lambda要执行的函数
def minus(inputs):
    x, y = inputs
    return (x+y)
# 使用lambda表达式，对函数进行传参
minus_layer = Lambda(minus, name='minus')([a, b])
model = Model(inputs=[a, b], outputs=[minus_layer])

## 第二步 测试模型
# 随便定义的两个数组
v0 = np.array([5, 2])
v1 = np.array([8, 4])
# 转成1*2的矩阵后测试模型
print(model.predict([v0.reshape(1, 2), v1.reshape(1, 2)]))

3.3 利用Lambda表达式实现某层数据的切片

Lambda传参数
参考文档：keras Lambda自定义层实现数据的切片,Lambda传参数

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation,Reshape
from keras.layers import merge
from keras.utils.visualize_util import plot
from keras.layers import Input, Lambda
from keras.models import Model
 
def slice(x,index):
        return x[:,:,index]
 
a = Input(shape=(4,2))
x1 = Lambda(slice,output_shape=(4,1),arguments={'index':0})(a)
x2 = Lambda(slice,output_shape=(4,1),arguments={'index':1})(a)
x1 = Reshape((4,1,1))(x1)
x2 = Reshape((4,1,1))(x2)
output = merge([x1,x2],mode='concat')
model = Model(a, output)
x_test = np.array([[[1,2],[2,3],[3,4],[4,5]]])
print model.predict(x_test)
plot(model, to_file='lambda.png',show_shapes=True)

上述代码实现的是,将矩阵的每一列提取出来,然后单独进行操作,最后在拼在一起。可视化的图如下所示。