带有CNTK后端的Keras：编写自定义图层

Question

我试图在Keras中编写自定义图层以便在论文中提出的特定体系结构上进行复制。该图层没有可训练的权重。我相信这可能是相关的，因为它不需要扩展类层。我正在使用CNTK后端，但我试图尽可能保持后端不可知的代码，所以我依靠在keras.backend中定义的接口，而不是直接使用CNTK。

现在我只是想要一个小例子来工作。的例子如下：

import numpy as np 

from scipy.misc import imread 
from keras import backend as K 

im = imread('test.bmp') 

#I'm extending a grayscale image to behave as a color image 
ex_im = np.empty([im.shape[0],im.shape[1],3]) 

ex_im[:,:,0] = im 
ex_im[:,:,1] = im 
ex_im[:,:,2] = im 

conv_filter = K.ones([3,3,ex_im.shape[2],ex_im.shape[2]]) 
x = K.conv2d(ex_im,conv_filter,padding='same') 

此代码，但是，结果在下面的错误：

RuntimeError: Convolution currently requires the main operand to have dynamic axes

CNTK要求输入到卷积以具有动态轴，否则会解释第一维的输入作为批量大小。所以，我试图使轴动态的占位符（我能找到这样做的唯一途径）：

import numpy as np 

from scipy.misc import imread 
from keras import backend as K 

im = imread('test.bmp') 

ex_im = np.empty([1,im.shape[0],im.shape[1],3]) 

ex_im[0,:,:,0] = im 
ex_im[0,:,:,1] = im 
ex_im[0,:,:,2] = im 

place = K.placeholder(shape=((None,) + ex_im.shape[1:])) 

conv_filter = K.ones([3,3,ex_im.shape[3],ex_im.shape[3]]) 
x = K.conv2d(place,conv_filter,padding='same') 

图像现在是图像阵列，什么是基本的1

批量大小

这工作正常。但是，我无法弄清楚如何将输入提供给占位符以测试我的代码。 eval()没有任何参数，似乎也没有办法将输入作为参数传递给评估。

有没有办法做到这一点没有占位符？或者将输入提供给占位符？我在做一些根本性错误，应该走另一条路吗？

我应该补充一点，我确实想避免被锁定到后端，所以任何解决方案都应该是后端不可知的。

Answer 1

对于使用自定义图层，您不定义张量，让Keras为您做。只要创建图层，什么将给予该层将已经是一个正确的张量：

images = np.ones((1,50,50,3)) 

def myFunc(x): 
    conv_filter = K.ones([3,3,3,3]) 
    return K.conv2d(x,conv_filter,padding='same') 

inp = Input((50,50,3)) 
out = Lambda(myFunc, output_shape=(50,50,3))(inp) 

model = Model(inp,out) 
print(model.predict(images))