顺序模型张量流中的自定义层答案

【问题标题】：Custom layer in sequential model tensorflow顺序模型张量流中的自定义层
【发布时间】：2021-02-04 16:31:55
【问题描述】：

我正在尝试为我的模型创建一个自定义层，可以使用 Keras 的经典 Dense 层。这是我的自定义层：

class MyDenseLayer(tf.keras.layers.Layer):
    def __init__(self, num_outputs):
        super(MyDenseLayer, self).__init__()
        self.num_outputs = num_outputs
    def build(self, input_shape):
        self.kernel = self.add_weight("kernel", 
                                      shape=[int(input_shape[-1]),
                                      self.num_outputs])
    def call(self, input):
        return tf.matmul(input, self.kernel)

它现在不做任何“自定义”。

但是当我将它添加到我的模型时

def build_model():
    model = keras.Sequential([
        MyDenseLayer(10)(normed_x_train),
        layers.Activation(tf.nn.relu),
        layers.Dense(1, activation=tf.nn.relu)
        ])
    return model

我明白了：

The added layer must be an instance of class Layer. Found: tf.Tensor(
[....])

因为可能我正在直接创建自定义层类的对象。但我在 tf 文档中没有找到如何添加其他属性以使其作为普通层工作，即像 layers.Dense(100, activation=tf.nn.relu)

有没有办法让它像那样工作？

【问题讨论】：

如果你通过 MyDenseLayer(10) 而不是 MyDenseLayer(10)(normed_x_train) ？
我明白了：这个模型还没有建成。首先调用 `build() 构建模型
尝试用你的模型做点什么：预测/拟合...例如：model(np.random.uniform(0,1, (10,30)).astype('float32') )
在实施 Marco 的建议后对我有用。你能提供一个完全可复制粘贴的例子吗？否则我们无能为力
那我肯定在做一些愚蠢的事情。明天我再试一次，让你知道，谢谢！

标签： python tensorflow machine-learning keras neural-network

【解决方案1】：

正如他们在 cmets 中所说，在定义模型时不要引入输入。那就是：

def build_model():
    model = keras.Sequential([
        MyDenseLayer(10),
        keras.layers.Activation(tf.nn.relu),
        keras.layers.Dense(1, activation=tf.nn.relu)
        ])
    return model

然后你可以试试：

model = build_model()
model(tf.random.uniform((100, 100)))

P.S：这个问题已经问了好几天了，但是@Marco Cerliani 解决了这个问题（无论如何我都可以删除它）

【讨论】：