在keras中使用自定义tensorflow操作

Question

我在tensorflow中有一个包含自定义tensorflow操作的脚本。 我想将代码移植到keras，我不知道如何在keras代码中调用自定义操作。

我想在keras中使用tensorflow，所以到目前为止我发现的教程描述了与我想要的相反： https ：//blog.keras.io/keras-as-a-simplified-interface-to-tensorflow-tutorial 。 HTML 。

我还读到了可以包装任意自定义函数的Lambda图层，但我没有看到tf.ops的示例。

如果你能提供一个最简单的例子代码片段，那么我将非常感激。 例如，假设tf.ops为：

outC = my_custom_op(inA, inB)

---编辑： 这里已经描述了类似的问题 - 本质上是在keras中调用这个自定义操作，但是我无法掌握如何将它应用于我想要的另一个例子，例如这个 。 这种习俗TF运首先编译（用于GPU），然后使用至今tensorflow内， 在这里 ，看到@ 40行显然对我怎么用包裹在LAMBDA层定制（lambda）函数，我想什么了解如何使用已编译的自定义操作，如果我使用keras。

Answer 1

您可以在keras Lambda图层中包装任意tensorflow函数，并将它们添加到模型中。 这个答案的最小工作示例：

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)