Keras自定义图层2D输入 - > 2D输出

Question

我有一个2D输入（或3D，如果考虑样本的数量），我想应用一个keras层，将采取此输入并输出另一个2D矩阵。 因此，例如，如果我有一个大小（ExV）的输入，学习权重矩阵将是（SxE）和输出（SxV）。 我可以用密集层做到这一点吗？

编辑 （纳西姆请求）：

第一层什么都不做。 它只是为Lambda层提供输入：

from keras.models import Sequential
from keras.layers.core import Reshape,Lambda
from keras import backend as K
from keras.models import Model

input_sample = [
[[1,2,3,4,5],[6,7,8,9,10],[11,12,13,14,15],[16,17,18,19,20]]
,[[21,22,23,24,25],[26,27,28,29,30],[31,32,33,34,35],[36,37,38,39,40]]
,[[41,42,43,44,45],[46,47,48,49,50],[51,52,53,54,55],[56,57,58,59,60]]
]


model = Sequential()
model.add(Reshape((4,5), input_shape=(4,5)))
model.add(Lambda(lambda x: K.transpose(x)))
intermediate_layer_model = Model(input=model.input,output=model.layers[0].output)
print "First layer:"
print intermediate_layer_model.predict(input_sample)
print ""
print "Second layer:"
intermediate_layer_model = Model(input=model.input,output=model.layers[1].output)
print intermediate_layer_model.predict(input_sample)

Answer 1

这取决于你想做什么。 它是2D，因为它是一个序列？ 然后为此制作LSTM，如果设置了return_sequence = True，则返回所需大小的序列。

CNN还可以处理2D输入，并根据您使用的内核数量输出可变大小的内容。

否则，您可以将其重新整形为（E x V，）1D张量，使用具有SxV尺寸的密集层并将输出重新整形为（S，V）2D张量...

我无法帮助你，我们需要知道你的用例:-)神经网络有太多的可能性。

编辑：

您可以使用TimeDistributed（Dense（S））。 如果您的输入具有形状（E，V），则您将重塑为（V，E）以将V作为“时间维度”。 然后应用TimeDistributed（Dense（S）），它将是一个具有权重（ExS）的密集层，输出将具有形状（V，S），因此您可以将其重新整形为（S，V）。

这会成为你想要的吗？ TimeDistributed（）图层将使用共享权重将相同的Dense（S）图层应用于输入的每个V行。

编辑2：

在查看了keras后端的代码之后，事实证明，使用tensorflow的转置和'permutation patterns'选项可用，你需要使用K.permute_dimensions（x，pattern）。 必须包含批次维度。 在你的情况下：

Lambda(lambda x: K.permute_dimensions(x,[0,2,1]))

K.transpose（x）在内部使用相同的函数（对于tf后端），但是置换被设置为默认值，即[n，n-1，...，0]。

Answer 2

你想要的可能是autoencoder。

https://blog.keras.io/building-autoencoders-in-keras.html