解决Keras 自定义层时遇到版本的问题
在2.2.0版本前，
fromkerasimportbackendasK fromkeras.engine.topologyimportLayer classMyLayer(Layer): def__init__(self,output_dim,**kwargs): self.output_dim=output_dim super(MyLayer,self).__init__(**kwargs) defbuild(self,input_shape): #为该层创建一个可训练的权重 self.kernel=self.add_weight(name='kernel', shape=(input_shape[1],self.output_dim), initializer='uniform', trainable=True) super(MyLayer,self).build(input_shape)#一定要在最后调用它 defcall(self,x): returnK.dot(x,self.kernel) defcompute_output_shape(self,input_shape): return(input_shape[0],self.output_dim)
2.2.0版本时：
fromkerasimportbackendasK fromkeras.layersimportLayer classMyLayer(Layer): def__init__(self,output_dim,**kwargs): self.output_dim=output_dim super(MyLayer,self).__init__(**kwargs) defbuild(self,input_shape): #Createatrainableweightvariableforthislayer. self.kernel=self.add_weight(name='kernel', shape=(input_shape[1],self.output_dim), initializer='uniform', trainable=True) super(MyLayer,self).build(input_shape)#Besuretocallthisattheend defcall(self,x): returnK.dot(x,self.kernel) defcompute_output_shape(self,input_shape): return(input_shape[0],self.output_dim)
如果你遇到：
fromkeras.engine.base_layerimportInputSpecModuleNotFoundError:Nomodulenamed'keras.engine.base_layer'
不妨试试另一种引入！
补充知识：Keras自定义损失函数在场景分类的使用
在做图像场景分类的过程中，需要自定义损失函数，遇到很多坑。Keras自带的损失函数都在losses.py文件中。（以下默认为分类处理）
#losses.py #y_true是分类的标签，y_pred是分类中预测值（这里指，模型最后一层为softmax层，输出的是每个类别的预测值） defmean_squared_error(y_true,y_pred): returnK.mean(K.square(y_pred-y_true),axis=-1) defmean_absolute_error(y_true,y_pred): returnK.mean(K.abs(y_pred-y_true),axis=-1) defmean_absolute_percentage_error(y_true,y_pred): diff=K.abs((y_true-y_pred)/K.clip(K.abs(y_true),K.epsilon(),None)) return100.*K.mean(diff,axis=-1) defmean_squared_logarithmic_error(y_true,y_pred): first_log=K.log(K.clip(y_pred,K.epsilon(),None)+1.) second_log=K.log(K.clip(y_true,K.epsilon(),None)+1.) returnK.mean(K.square(first_log-second_log),axis=-1) defsquared_hinge(y_true,y_pred): returnK.mean(K.square(K.maximum(1.-y_true*y_pred,0.)),axis=-1)
这里面简单的来说，y_true就是训练数据的标签，y_pred就是模型训练时经过softmax层的预测值。经过计算，得出损失值。
那么我们要新建损失函数totoal_loss，就要在本文件下，进行新建。
defget_loss(labels,features,alpha,lambda_c,lambda_g,num_classes): #由于涉及研究内容，详细代码不做公开 returnloss #total_loss(y_true,y_pred)，y_true代表标签（类别），y_pred代表模型的输出 #（如果是模型中间层输出，即代表特征，如果模型输出是经过softmax就是代表分类预测值） #其他有需要的参数也可以写在里面 deftotal_loss(y_true,y_pred): git_loss=get_loss(y_true,y_pred,alpha=0.5,lambda_c=0.001,lambda_g=0.001,num_classes=45) returngit_loss
自定义损失函数写好之后，可以进行使用了。这里，我使用交叉熵损失函数和自定义损失函数一起使用。
#这里使用vgg16模型
model=VGG16(input_tensor=image_input,include_top=True,weights='imagenet')
model.summary()
#fc2层输出为特征
last_layer=model.get_layer('fc2').output
#获取特征
feature=last_layer
#softmax层输出为各类的预测值
out=Dense(num_classes,activation='softmax',name='predictions')(last_layer)
#该模型有一个输入image_input,两个输出out，feature
custom_vgg_model=Model(inputs=image_input,outputs=[feature,out])
custom_vgg_model.summary()
#优化器，梯度下降
sgd=optimizers.SGD(lr=learn_Rate,decay=decay_Rate,momentum=0.9,nesterov=True)
#这里面，刚才有两个输出，这里面使用两个损失函数，total_loss对应的是fc2层输出的特征
#categorical_crossentropy对应softmax层的损失函数
#loss_weights两个损失函数的权重
custom_vgg_model.compile(loss={'fc2':'total_loss','predictions':"categorical_crossentropy"},
loss_weights={'fc2':1,'predictions':1},optimizer=sgd,
metrics={'predictions':'accuracy'})
#这里使用dummy1，dummy2做演示，为0
dummy1=np.zeros((y_train.shape[0],4096))
dummy2=np.zeros((y_test.shape[0],4096))
#模型的输入输出必须和model.fit()中x，y两个参数维度相同
#dummy1的维度和fc2层输出的feature维度相同，y_train和softmax层输出的预测值维度相同
#validation_data验证数据集也是如此，需要和输出层的维度相同
hist=custom_vgg_model.fit(x=X_train,y={'fc2':dummy1,'predictions':y_train},batch_size=batch_Sizes,
epochs=epoch_Times,verbose=1,validation_data=(X_test,{'fc2':dummy2,'predictions':y_test}))
写到这里差不多就可以了，不够详细，以后再做补充。
以上这篇解决Keras自定义层时遇到版本的问题就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。