如何在 keras 中修改输出以进行反向传播答案

【问题标题】：How to modify output in keras for back propagation如何在 keras 中修改输出以进行反向传播
【发布时间】：2021-06-16 07:26:45
【问题描述】：

我有一个用 tensorflow 编写的 U-Net 模型来解决分割问题。我想用相同数量的训练数据改进我的分割，我正在考虑在输出中添加一个水平集方法模块，然后计算损失。像这样https://arxiv.org/pdf/1705.06260.pdf

但是不知道怎么修改tensorflow中最后一层的输出

def amodel(pretrained_weights=None,
           input_size=(512, 512, 1),
           act="relu"):
    inputs = tf.keras.layers.Input(input_size)
    conv1 = tf.keras.layers.Conv2D(1, 1, activation='sigmoid')(inputs)
    model = tf.keras.Model(inputs=inputs, outputs=conv1)
    
    # model.compile(optimizer = Adam(lr = 1e-4), 
    loss = 'binary_crossentropy', metrics = ['accuracy'])
    model.compile(optimizer=tf.keras.optimizers.Adam(lr_scheduler),
                  loss=combo_loss(alpha=0, beta=0.4),
                  metrics=[dice_accuracy])

在转发到 tf.keras.Model 之前如何对 conv1 应用转换？

谢谢你

【问题讨论】：

标签： tensorflow keras deep-learning image-segmentation unity3d-unet

【解决方案1】：

好像你想使用 lambda 层：

https://keras.io/api/layers/core_layers/lambda/

创建新层后，您只需将 conv1 层作为输入传递给他，像这样：

inputs = tf.keras.layers.Input(input_size)
conv1 = tf.keras.layers.Conv2D(1, 1, activation='sigmoid')(inputs)
lambda_layer = Lambda(normalizer)(norm_concat)
model = tf.keras.Model(inputs=inputs, outputs=lambda_layer)

您只需要定义 Lambda 层必须调用的函数：

例如：

def normalizer(x):
  a = x[:, :, :, :, 1]
  b = x[:, :, :, :, 2]
  asum = tf.keras.backend.sum(a)
  bsum = tf.keras.backend.sum(b)
  ratio = tf.math.divide(asum, bsum)
  ratio = tf.cast(ratio, dtype=tf.float32) 
  return tf.multiply(b, ratio)

其中 x 是 conv1 的输出

【讨论】：