Как реализовать функцию активации RBF в Керасе?

Question

Я создаю пользовательскую функцию активации, в частности, функцию активации RBF:

from keras import backend as K
from keras.layers import Lambda

l2_norm = lambda a,b:  K.sqrt(K.sum(K.pow((a-b),2), axis=0, keepdims=True))

def rbf2(x):
X = #here i need inputs that I receive from previous layer 
Y = # here I need weights that I should apply for this layer
l2 = l2_norm(X,Y)
res = K.exp(-1 * gamma * K.pow(l2,2))
return res

Функция rbf2 получает предыдущий слой в качестве входных данных:

#some keras layers
model.add(Dense(84, activation='tanh')) #layer1
model.add(Dense(10, activation = rbf2)) #layer2

Что я долженчтобы получить входные данные от layer1 и веса от layer2 для создания настраиваемой функции активации?

Что я на самом деле пытаюсь сделать, это реализовать выходной уровень для нейронной сети LeNet5.Выходной слой LeNet-5 немного особенный, вместо вычисления точечного произведения входов и вектора весов каждый нейрон выводит квадрат евклидова расстояния между его входным вектором и вектором весов.

Например, layer1 имеет 84 нейрона, а layer2 имеет 10 нейронов.В общем случае, для расчета выхода для каждого из 10 нейронов layer2, мы делаем точечное произведение 84 нейронов layer1 и 84 весов между layer1 и layer2.Затем мы применяем к нему softmax функцию активации.

Но здесь, вместо создания точечного произведения, каждый нейрон layer2 выводит квадрат евклидова расстояния между его входным вектором и его вектором веса (Iхочу использовать это как мою функцию активации).

Любая помощь в создании функции активации RBF (вычисление евклидова расстояния от входов, которые получает и взвешивает слой) и использовании ее в слое также полезна.

Answer 1

Вы можете просто определить пользовательский слой для этой цели:

from keras.layers import Layer
from keras import backend as K

class RBFLayer(Layer):
    def __init__(self, units, gamma, **kwargs):
        super(RBFLayer, self).__init__(**kwargs)
        self.units = units
        self.gamma = K.cast_to_floatx(gamma)

    def build(self, input_shape):
        self.mu = self.add_weight(name='mu',
                                  shape=(int(input_shape[1]), self.units),
                                  initializer='uniform',
                                  trainable=True)
        super(RBFLayer, self).build(input_shape)

    def call(self, inputs):
        diff = K.expand_dims(inputs) - self.mu
        l2 = K.sum(K.pow(diff,2), axis=1)
        res = K.exp(-1 * self.gamma * l2)
        return res

    def compute_output_shape(self, input_shape):
        return (input_shape[0], self.units)

Пример использования:

model = Sequential()
model.add(Dense(20, input_shape=(100,)))
model.add(RBFLayer(10, 0.5))