在张量流模型中随机选择层

Question

我想在我的网络中使用具有特定概率的不同层。层是以下类。

class plus1(keras.layers.Layer):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
    def call(self, X):
        return X + 1    
    def compute_output_shape(self, batch_input_shape):
        return batch_input_shape

class plus2(keras.layers.Layer):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
    def call(self, X):
        return X + 2
    def compute_output_shape(self, batch_input_shape):
        return batch_input_shape

class plus3(keras.layers.Layer):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
    def call(self, X):
        return X + 3
    def compute_output_shape(self, batch_input_shape):
        return batch_input_shape

网络如下图。

def f1():
    return plus1()
def f2():
    return plus2()
def f3():
    return plus3()

def simple_model(input_num):
    input_layer = Input(input_num)
    rand = tf.random.uniform((1,), minval=0, maxval=3, dtype=tf.int32)
    r = tf.switch_case(rand[0], branch_fns={0: f1, 1: f2, 2: f3})
    res = r(input_layer)
    model = Model(inputs=input_layer, outputs=res)
    return model

model = simple_model([1,])

每次我运行下面的代码时，我都会得到相同的输出，但我预计会有不同的输出。 有什么方法可以实现吗？

model.predict([1])
>>> array([[4.]], dtype=float32)

Answer 1

这与我面临的问题相同，但我没有找到解决方案。所以我实现了不同的网络，然后从它们的输出中随机选择。

Answer 2

我一直在处理同样的问题：我有一个层列表，我需要在每次迭代时从中随机选择。 tf.switch_case() 给了我你描述的同样的问题。

无论出于何种原因，而且我没有足够的背景深度来告诉你为什么（我的 tf.switch_case 实现以一种不相关的方式存在错误完全有可能），这段代码对我有用：

def random_layer(layers, image_tensor):
"""
Selects and executes a random layer chosen from a list
"""
to_use = tf.random.uniform(shape=[], maxval=len(layers), dtype=tf.int32)
out = image_tensor

for i, layer in enumerate(layers):
    # out is either image_tensor or the actual output, *but*
    # since we can't break this loop, when it matches it will become the actual output
    # and any further calls will return that value
    
    def _match():
        # tf.print("using {}".format(layer))
        return layer(out, training=True)
    out = tf.cond(to_use==i, _match, lambda: out)
    
return out 

（请注意，我使用本地函数只是为了验证随机性。）然后我传入：

NOISE_LAYERS = [tf.keras.layers.GaussianNoise(stddev=.1),
               tf.keras.layers.GaussianNoise(stddev=.2),
               tf.keras.layers.GaussianNoise(stddev=.3),
               tf.keras.layers.GaussianNoise(stddev=.4)]

（这是数据集准备的一部分，我希望图像包含不同数量的噪声。）