Как я могу обернуть функцию, используя лямбда-слой? - PullRequest
Новая
       6

Как я могу обернуть функцию, используя лямбда-слой?

0 голосов
/ 27 февраля 2019

Я хочу выполнить некоторые процессы на одном из моих слоев в автоэнкодере, а затем отправить его на следующий слой, но я не могу использовать предопределенные функции в Keras, такие как add, ... и я думаю, что я должен использовать лямбду с функцией.вывод моего автоэнкодера - тензор с формой (1,28,28,1), названный кодером, и у меня есть входной тензор с формой (1,4,4,1), названный wtm.Теперь я хочу рассмотреть блоки 7x7 в кодере и добавить среднее значение каждого блока 7x7 с одним значением wtm соответственно (каждый блок кодера с одним значением wtm) я пишу две функции, чтобы сделать это, но это привело к этой ошибке:

TypeError: объект 'Tensor' не поддерживает назначение элементов

Я новичок в Python и Keras, и я ищу причину, но, к сожалению, я не смог понятьпочему это произошло и что мне делать?пожалуйста, подскажите, как мне написать мой лямбда-слой?Я прикрепил код здесь.Я могу сделать что-то простое с помощью lambda 

add_const = Kr.layers.Lambda(lambda x: x[0] + x[1])
encoded_merged = add_const([encoded,wtm])

, но если wtm имеет другую форму с закодированными или сложными вещами на слое, я не знаю, что мне делать? 

from keras.layers import Input, Concatenate, GaussianNoise,Dropout,BatchNormalization,MaxPool2D,AveragePooling2D
from keras.layers import Conv2D, AtrousConv2D
from keras.models import Model
from keras.datasets import mnist
from keras.callbacks import TensorBoard
from keras import backend as K
from keras import layers
import matplotlib.pyplot as plt
import tensorflow as tf
import keras as Kr
from keras.optimizers import SGD,RMSprop,Adam
from keras.callbacks import ReduceLROnPlateau
from keras.callbacks import EarlyStopping
from keras.callbacks import ModelCheckpoint
import numpy as np
import pylab as pl
import matplotlib.cm as cm
import keract
from matplotlib import pyplot
from keras import optimizers
from keras import regularizers

from tensorflow.python.keras.layers import Lambda;
#-----------------building w train---------------------------------------------
    def grid_w(args):
    Enc, W = args
#    Ex,Ey,Ez=Enc.shape

#    Wx,Wy,Wz=W.shape
    Enc=tf.reshape(Enc,[28,28])
    W=tf.reshape(W,[4,4])
    Enc[3::7, 3::7] += W
    Enc=tf.reshape(Enc,[1,28,28,1])
    W=tf.reshape(W,[1,4,4,1])
#    Enc[:, 3::7, 3::7]=K.sum(W,axis=1)

    return Enc

    def grid_w_output_shape(shapes):
        shape1, shape2 = shapes
        return (shape1[0], 1)
    wt_random=np.random.randint(2, size=(49999,4,4))
    w_expand=wt_random.astype(np.float32)
    wv_random=np.random.randint(2, size=(9999,4,4))
    wv_expand=wv_random.astype(np.float32)
    x,y,z=w_expand.shape
    w_expand=w_expand.reshape((x,y,z,1))
    x,y,z=wv_expand.shape
    wv_expand=wv_expand.reshape((x,y,z,1))

    #-----------------building w test---------------------------------------------
    w_test = np.random.randint(2,size=(1,4,4))
    w_test=w_test.astype(np.float32)
    w_test=w_test.reshape((1,4,4,1))
    #-----------------------encoder------------------------------------------------
    #------------------------------------------------------------------------------
    wtm=Input((4,4,1))
    image = Input((28, 28, 1))
    conv1 = Conv2D(64, (5, 5), activation='relu', padding='same', name='convl1e')(image)
    conv2 = Conv2D(64, (5, 5), activation='relu', padding='same', name='convl2e')(conv1)
    conv3 = Conv2D(64, (5, 5), activation='relu', padding='same', name='convl3e')(conv2)
    #conv3 = Conv2D(8, (3, 3), activation='relu', padding='same', name='convl3e', kernel_initializer='Orthogonal',bias_initializer='glorot_uniform')(conv2)
    BN=BatchNormalization()(conv3)
    #DrO1=Dropout(0.25,name='Dro1')(BN)
    encoded =  Conv2D(1, (5, 5), activation='relu', padding='same',name='encoded_I')(BN)

    #-----------------------adding w---------------------------------------
    encoded_merged=Kr.layers.Lambda(grid_w, output_shape=grid_w_output_shape)([encoded, wtm])

    #-----------------------decoder------------------------------------------------
    #------------------------------------------------------------------------------

    deconv1 = Conv2D(64, (5, 5), activation='elu', padding='same', name='convl1d')(encoded_merged)
    deconv2 = Conv2D(64, (5, 5), activation='elu', padding='same', name='convl2d')(deconv1)
    deconv3 = Conv2D(64, (5, 5), activation='elu',padding='same', name='convl3d')(deconv2)
    deconv4 = Conv2D(64, (5, 5), activation='elu',padding='same', name='convl4d')(deconv3)
    BNd=BatchNormalization()(deconv3)  
    decoded = Conv2D(1, (5, 5), activation='sigmoid', padding='same', name='decoder_output')(BNd) 

    model=Model(inputs=[image,wtm],outputs=decoded)

    decoded_noise = GaussianNoise(0.5)(decoded)

    #----------------------w extraction------------------------------------
    convw1 = Conv2D(64, (3,3), activation='relu', name='conl1w')(decoded_noise)
    convw2 = Conv2D(64, (3, 3), activation='relu', name='convl2w')(convw1)
    Avw1=AveragePooling2D(pool_size=(2,2))
    convw3 = Conv2D(64, (3, 3), activation='relu', padding='same', name='conl3w')(convw2)
    convw4 = Conv2D(64, (3, 3), activation='relu', padding='same', name='conl4w')(convw3)
    Avw2=AveragePooling2D(pool_size=(2,2))
    convw5 = Conv2D(64, (3, 3), activation='relu', name='conl5w')(convw4)
    convw6 = Conv2D(64, (3, 3), activation='relu', padding='same', name='conl6w')(convw5)
    BNed=BatchNormalization()(convw6)
    #DrO3=Dropout(0.25, name='DrO3')(BNed)
    pred_w = Conv2D(1, (1, 1), activation='sigmoid', padding='same', name='reconstructed_W')(BNed)  
    watermark_extraction=Model(inputs=[image,wtm],outputs=[decoded,pred_w])

    watermark_extraction.summary()
...