要定义一个自定义的层,需要继承keras.layers.Layer
类,并重写__init__
和call
方法。下面是一个简单的示例:
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.layers import Layer
class MyCustomLayer(Layer):
def __init__(self, output_dim, activation=None, **kwargs):
self.output_dim = output_dim
self.activation = keras.activations.get(activation)
super(MyCustomLayer, self).__init__(**kwargs)
def build(self, input_shape):
self.kernel = self.add_weight(name='kernel',
shape=(input_shape[1], self.output_dim),
initializer='uniform',
trainable=True)
super(MyCustomLayer, self).build(input_shape)
def call(self, inputs):
output = tf.matmul(inputs, self.kernel)
if self.activation is not None:
output = self.activation(output)
return output
def compute_output_shape(self, input_shape):
return (input_shape[0], self.output_dim)
在这个示例中,我们定义了一个自定义的层MyCustomLayer
,它具有一个可调节的输出维度和激活函数。在__init__
方法中设置了输出维度和激活函数,并在build
方法中创建了权重矩阵。在call
方法中实现了层的前向传播逻辑,并在最后返回输出。最后,compute_output_shape
方法用于计算输出的形状。
定义好自定义的层后,可以像使用其他内置的层一样将其添加到模型中进行训练。