在 Keras 中,如何在模型编译后更改 lambda 层?
更具体地说,假设我想要一个 lambda 层来计算 y=a*x+b
,其中 a
和 b
每隔一段时间就会更改一次。时代。
import keras
from keras.layers import Input, Lambda, Dense
import numpy as np
np.random.seed(seed=42)
a = 1
b = 2
def f(x, a, b):
return a * x + b
inputs = keras.layers.Input(shape=(3,))
lam = Lambda(f, arguments={"a": a, "b": b})(inputs)
out = keras.layers.Dense(5)(lam)
model = keras.models.Model(inputs, out)
model.trainable = False
model.compile(optimizer='rmsprop', loss='mse')
x1 = np.random.random((10, 3))
x2 = np.random.random((10, 5))
model.fit(x1, x2, epochs=1)
print("Updating. But that won't work")
a = 10
b = 20
model.fit(x1, x2, epochs=1)
这将返回两次 loss: 5.2914
,而它应该返回一次 loss: 5.2914
,然后返回 loss: 562.0562
。
据我所知,这似乎是一个 open issue ,可以通过编写自定义层来补救,但我还没有让它发挥作用。
欢迎任何指导。
最佳答案
如果您将 a
和 b
作为张量,则即使在编译后也可以更改它们的值。
有两种方法。在其中一种情况下,您将 a
和 b
视为全局变量并从函数外部获取它们:
import keras.backend as K
a = K.variable([1])
b = K.variable([2])
def f(x):
return a*x + b #see the vars coming from outside here
#....
lam = Lambda(f)(inputs)
您可以随时手动调用K.set_value(a,[newNumber])
。
K.set_value(a,[10])
K.set_value(b,[20])
model.fit(x1,x2,epochs=1)
在另一种方法中(我不知道是否有优势,但是......听起来至少组织得更好)你可以将 a
和 b
作为输入到模型:
a = K.variable([1])
b = K.variable([2])
aInput = Input(tensor=a)
bInput = Input(tensor=b)
def f(x):
return x[0]*x[1] + x[2] #here, we input all tensors in the function
#.....
lam = Lambda(f)([inputs,aInput,bInput])
您可以按照与其他方法相同的方式设置a
和b
的值。
关于python - Keras - 在 `compile()` 之后修改 lambda 层,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47334788/