[英]Writing this exotic NN architecture with keras, tensorflow and python
我试图让Keras训练一个可以在这样的网络中编写的多类分类模型:
唯一可训练的参数是那些 ,其余的都给出了。 函数fi是通常数学函数的组合(例如 .Sigma代表以前术语的总和,softmax是通常的功能。 (x1,x2,... xn)是火车或测试装置的元素 是已选择的原始数据的特定子集。
该模型更深入:
具体而言,给定(x_1,x_2,...,x_n)列车或测试集中的输入,网络进行评估
fi给出数学函数, 是原始数据和系数的特定子集的行 是我想训练的参数。 当我使用keras时,我希望它为每一行添加一个偏差项。
在上述评估之后,我将应用softmax层(上面m行中的每一行都是将作为softmax函数的输入的数字)。
最后,我想编译模型并像往常一样运行model.fit。
问题是我不能将表达翻译成keras sintax。
我的尝试:
在上面的网络划痕之后,我首先尝试考虑表单的每个表达式 作为序列模型中的lambda层,但我能够工作的最好的是密集层与线性激活的组合(它将扮演行参数的角色: )后面是输出矢量的Lambda层 没有所需的总和,如下:
model = Sequential()
#single row considered:
model.add(Lambda(lambda x: f_fixedRow(x), input_shape=(nFeatures,)))
#parameters set after lambda layer to get (a1*f(x1,y1),...,an*f(xn,yn)) and not (f(a1*x1,y1),...,f(an*xn,yn))
model.add(Dense(nFeatures, activation='linear'))
#missing summation: sum(x)
#missing evaluation of f in all other rows
model.add(Dense(classes,activation='softmax',trainable=False)) #should get all rows
model.compile(optimizer='sgd',
loss='categorical_crossentropy',
metrics=['accuracy'])
另外,我必须在lambda函数调用中定义函数 参数已经修复(因为lambda函数只能将输入层作为变量):
def f_fixedRow(x):
#picking a particular row (as a vector) to evaluate f in (f works element-wise)
y=tf.constant(value=x[0,:],dtype=tf.float32)
return f(x,y)
我设法用tensorflow编写f函数(连续工作元素),虽然这可能是我的代码中出现问题的原因(上面的解决方法似乎不自然)。
我还认为如果我能够在上述尝试中正确地写出向量的元素和,我可以用keras Functional API以并行方式重复相同的过程,然后在softmax函数中插入每个并行模型的输出,因为我需要。
我考虑的另一种方法是训练参数保持其在网络描述中看到的自然矩阵结构,也许写一个矩阵Lambda层,但我找不到任何与这个想法相关的东西。
无论如何,我不确定在keras中使用这个模型的好方法是什么,也许我错过了重要的一点,因为参数编写的非标准方式或缺乏tensorflow的经验。 欢迎任何建议。
对于这个答案,重要的是f
是一个按元素运算的张量函数。 (没有迭代)。 这很容易,只需检查keras后端功能 。
假设:
x_pk
集是常量,否则必须检查此解决方案。 f
是元素(如果没有,请显示f
以获得更好的代码) 您的模型需要x_pk
作为张量输入 。 您应该在功能API模型中执行此操作。
import keras.backend as K
from keras.layers import Input, Lambda, Activation
from keras.models import Model
#x_pk data
x_pk_numpy = select_X_pk_samples(x_train)
x_pk_tensor = K.variable(x_pk_numpy)
#number of rows in x_pk
m = len(x_pk_numpy)
#I suggest a fixed batch size for simplicity
batch = some_batch_size
首先让我们处理将x
和x_pk
调用f
。
def calculate_f(inputs): #inputs will be a list with x and x_pk
x, x_pk = inputs
#since f will work elementwise, let's replicate x and x_pk so they have equal shapes
#please explain f for better optimization
# x from (batch, n) to (batch, m, n)
x = K.stack([x]*m, axis=1)
# x_pk from (m, n) to (batch, m, n)
x_pk = K.stack([x_pk]*batch, axis=0)
#a batch size of 1 could make this even simpler
#a variable batch size would make this more complicated
#certain f functions could make this process unnecessary
return f(x, x_pk)
现在,与Dense
图层不同,此公式使用a_pk
权重乘以元素。 所以我们需要一个自定义图层:
class ElementwiseWeights(Layer):
def __init__(self, **kwargs):
super(ElementwiseWeights, self).__init__(**kwargs)
def build(self, input_shape):
weight_shape = (1,) + input_shape[1:] #shape (1, m, n)
self.kernel = self.add_weight(name='kernel',
shape=weight_shape,
initializer='uniform',
trainable=True)
super(ElementwiseWeights, self).build(input_shape)
def compute_output_shape(self,input_shape):
return input_shape
def call(self, inputs):
return self.kernel * inputs
现在让我们构建我们的功能API模型:
#x_pk model tensor input
x_pk = Input(tensor=x_pk_tensor) #shape (m, n)
#x usual input with fixed batch size
x = Input(batch_shape=(batch,n)) #shape (batch, n)
#calculate F
out = Lambda(calculate_f)([x, xp_k]) #shape (batch, m, n)
#multiply a_pk
out = ElementwiseWeights()(out) #shape (batch, m, n)
#sum n elements, keep m rows:
out = Lambda(lambda x: K.sum(x, axis=-1))(out) #shape (batch, m)
#softmax
out = Activation('softmax')(out) #shape (batch,m)
用你想要的任何东西继续这个模型并完成它:
model = Model([x, x_pk], out)
model.compile(.....)
model.fit(x_train, y_train, ....) #perhaps you might need .fit([x_train], ytrain,...)
f
您可以像这样建议f
:
#create the n coefficients:
coefficients = np.array([c0, c1, .... , cn])
coefficients = coefficients.reshape((1,1,n))
def f(x, x_pk):
c = K.variable(coefficients) #shape (1, 1, n)
out = (x - x_pk) / c
return K.exp(out)
f
将接受带有形状(batch, 1, n)
x
,而不使用calculate_f
函数中使用的stack
。 x_pk
的形状(1, m, n)
,允许变量批量大小。 但我不确定是否可以将这两种形状结合在一起。 测试这可能很有趣。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.