例如：
inp = keras.Input(shape=s)
D = keras.layers.Dense(d)(inp)
L = keras.layers.Lambda(lambda x: myFunc(x))(D)
outp = keras.layers.Dense(...)(L)
model = keras.model(inp,outp)与
inp = keras.Input(shape=s)
D = keras.layers.Dense(d)(inp)
L = myFunc(D)
outp = keras.layers.Dense(...)(L)
model = keras.model(inp,outp)其中myFunc由tensorflow 函数组成。
后一个版本看起来工作得很好。把东西 Package 成层有什么特别的价值吗？我知道当有可学习的参数时可能需要它，但在这种情况下我会使用自定义层，而不是lambda。
1条答案
按热度按时间ukdjmx9f1#
我认为从功能上来说，使用
tf.keras.layers.Lambda并没有太多的动机，但我能想到一些。可读性
我喜欢使用它们主要是为了一致性和描述能力。我发现当层和原始TF操作一起使用时，它是一个混乱的东西。
例如，我可以很容易地做到，
tf.keras.layers.Lambda(lambda x: do_cool(x), name="cool_thing")个它将在
model.summary()中反射屏蔽
对于
Lambda层，您可以传入mask参数来处理掩码，而对于TF操作，您的代码将很容易因为掩码而变得混乱。重要说明
tf.Variable对象的操作，不建议使用Lambda层。它们不会作为模型中的可训练变量传递。Lambda操作是无状态的。因此，对于任何有状态操作，Lambda都是不可行的。TFOpLambda我看到当打印model.summary()）。