注意的地方： keras中每层的输入输出的tensor是张量， 比如Tensor shape是（N, H, W, C), 对于tf后台， channels_last
Define a slice layer using Lamda layer def slice(x, h1, h2, w1, w2): """ Define a tensor slice function """ return x[:, h1:h2, w1:w2, :]
定义完slice function之后，利用lambda layer添加到定义的网络中去
# Add slice layer
slice_1 = Lambda(slice, arguments={'h1': 0, 'h2': 6, 'w1': 0, 'w2': 6})(sliced)
# As for tensorfow backend, Lambda doesn't need output shape argument
slice_2 = Lambda(slice, arguments={'h1': 0, 'h2': 6, 'w1': 6, 'w2': 12})(sliced)
补充知识：tensorflow和keras张量切片（slice）
Notes
想将一个向量
分割成两部分：
操作大概是：
在 TensorFlow 中，用 tf.slice 实现张量切片，Keras 中自定义 Lambda 层实现。
TensorFlow
tf.slice(input_, begin, size, name=None)
input_：tf.tensor，被操作的 tensor
begin：list，各个维度的开始下标
size：list，各个维度上要截多长
import tensorflow as tf with tf.Session() as sess: a = tf.constant([1, 2, 3, 4, 5]) b = tf.slice(a, [0], [2]) # 第一个维度从 0 开始，截 2 个 c = tf.slice(a, [2], [3]) # 第一个维度从 2 开始，截 3 个 print(a.eval()) print(b.eval()) print(c.eval())
输出
[1 2 3 4 5]
[1 2]
[3 4 5]
Keras
from keras.layers import Lambda from keras.models import Sequential import numpy as np a = np.array([[1, 2, 3, 4, 5]]) model = Sequential([ Lambda(lambda a: a[:, :2], input_shape=[5]) # 第二维截前 2 个 ]) print(model.predict(a))
输出
[[1. 2.]]
以上这篇keras slice layer 层实现方式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脚本之家。
