如何使用具有两个None维的Reshape keras层？

Question

我有一个keras 3D / 2D模型。 在此模型中，3D层的形状为[None，None，4，32]。 我想将其重塑为[None，None，128]。 但是，如果我只是执行以下操作：

reshaped_layer =变形（（-1，128））（my_layer）

my_layer的形状为[None，128]，因此以后无法再应用任何2D卷积，例如：

conv_x = Conv2D（16，（1,1））（reshaped_layer）

我尝试使用tf.shape（my_layer）和tf.reshape，但是由于tf.reshape不是Keras层，因此我无法编译模型。

为了澄清起见，我最后使用的是频道。 这不是tf.keras，这只是Keras。 在这里，我发送了reshape函数的调试：keras中的Reshape

这是我现在正在按照anna-krogager的建议进行的操作：

def reshape(x):
    x_shape = K.shape(x)
    new_x_shape = K.concatenate([x_shape[:-2], [x_shape[-2] * x_shape[-1]]])
    return K.reshape(x, new_x_shape)

reshaped = Lambda(lambda x: reshape(x))(x)
reshaped.set_shape([None,None, None, 128])
conv_x = Conv2D(16, (1,1))(reshaped)

我收到以下错误：ValueError：应该定义输入的通道尺寸。 没有发现

Answer 1

您可以使用K.shape来获取输入的形状（作为张量），并将重塑包装在Lambda层中，如下所示：

def reshape(x):
    x_shape = K.shape(x)
    new_x_shape = K.concatenate([x_shape[:-2], [x_shape[-2] * x_shape[-1]]])
    return K.reshape(x, new_x_shape)

reshaped = Lambda(lambda x: reshape(x))(x)
reshaped.set_shape([None, None, None, a * b]) # when x is of shape (None, None, a, b)

这会将形状为(None, None, a, b)的张量整形为(None, None, a * b) 。

Answer 2

深入到base_layer.py，我发现重塑为：

tf.Tensor'lambda_1 / Reshape：0'shape =（?,？，？，128）dtype = float32。

但是，即使在set_shape之后，其属性“ _keras_shape”也是（None，None，None，None）。 因此，解决方案是设置以下属性：

def reshape(x):
    x_shape = K.shape(x)
    new_x_shape = K.concatenate([x_shape[:-2], [x_shape[-2] * x_shape[-1]]])
    return K.reshape(x, new_x_shape)

reshaped = Lambda(lambda x: reshape(x))(x)
reshaped.set_shape([None, None, None, 128])
reshaped.__setattr__("_keras_shape", (None, None, None, 128))
conv_x = Conv2D(16, (1,1))(reshaped)

Answer 3

由于要重塑形状，因此可以从（4,32）获得的最好效果是（128，1）或（1，128），而不会丢失尺寸。 因此，您可以执行以下操作：

# original has shape [None, None, None, 4, 32] (including batch)

reshaped_layer = Reshape((-1, 128))(original) # shape is [None, None, 128]
conv_layer = Conv2D(16, (1,1))(K.expand_dims(reshaped_layer, axis=-2)) # shape is [None, None, 1, 16]