Keras：在 Lambda 函数中的 Conv2D 层中消失的参数

Question

我正在定义一个Lambda 层，其函数使用Conv2D 层。

def lambda_func(x,k):
    y = Conv2D(k, (3,3), padding='same')(x)
    return y

并使用它调用它

k = 64
x = Conv2D(k, (3,3), data_format='channels_last', padding='same', name='block1_conv1')(inputs)
y = Lambda(lambda_func, arguments={'k':k}, name = 'block1_conv1_loc')(x)

但是在model.summary() 中，lambda 层没有显示任何参数！

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 224, 224, 3)       0         
_________________________________________________________________
block1_conv1 (Conv2D)        (None, 224, 224, 64)      1792      
_________________________________________________________________
block1_conv1_loc (Lambda)    (None, 224, 224, 64)      0         
_________________________________________________________________
activation_1 (Activation)    (None, 224, 224, 64)      0         
_________________________________________________________________
block1_pool (MaxPooling2D)   (None, 112, 112, 64)      0         
_________________________________________________________________
flatten (Flatten)            (None, 802816)            0         
_________________________________________________________________

（它下面有一个Dense 层，下面有一个Softmax 2 类分类器）。如何确保Lambda 层的Conv2D 参数出现并且也可以训练？我也尝试在Lambda 函数中使用trainable=True。

def lambda_func(x,k):
    y = Conv2D(k, (3,3), padding='same', trainable=True)(x)
    return y

但这并没有什么不同。

Answer 1

Lambda 层没有参数。

参数，总而言之，是可以“学习”的变量。 Lambda 层永远不会学习，它们是您创建的函数。

如果您确实打算使用“卷积层”，请在 lambda 层之外使用它。
现在，如果你想使用“卷积操作”，那么在 lambda 层中使用它，但是没有可学习的参数，你自己定义过滤器。

如果您想创建一个以不同方式学习的特殊层，请创建一个自定义层。