Keras自定义实现带masking的meanpooling层方式


Posted in Python onJune 16, 2020

Keras确实是一大神器,代码可以写得非常简洁,但是最近在写LSTM和DeepFM的时候,遇到了一个问题:样本的长度不一样。对不定长序列的一种预处理方法是,首先对数据进行padding补0,然后引入keras的Masking层,它能自动对0值进行过滤。

问题在于keras的某些层不支持Masking层处理过的输入数据,例如Flatten、AveragePooling1D等等,而其中meanpooling是我需要的一个运算。例如LSTM对每一个序列的输出长度都等于该序列的长度,那么均值运算就只应该除以序列长度,而不是padding后的最长长度。

例如下面这个 3x4 大小的张量,经过补零padding的。我希望做axis=1的meanpooling,则第一行应该是 (10+20)/2,第二行应该是 (10+20+30)/3,第三行应该是 (10+20+30+40)/4。

Keras自定义实现带masking的meanpooling层方式

Keras如何自定义层

在 Keras2.0 版本中(如果你使用的是旧版本请更新),自定义一个层的方法参考这里。具体地,你只要实现三个方法即可。

build(input_shape) : 这是你定义层参数的地方。这个方法必须设self.built = True,可以通过调用super([Layer], self).build()完成。如果这个层没有需要训练的参数,可以不定义。

call(x) : 这里是编写层的功能逻辑的地方。你只需要关注传入call的第一个参数:输入张量,除非你希望你的层支持masking。

compute_output_shape(input_shape) : 如果你的层更改了输入张量的形状,你应该在这里定义形状变化的逻辑,这让Keras能够自动推断各层的形状。

下面是一个简单的例子:

from keras import backend as K
from keras.engine.topology import Layer
import numpy as np

class MyLayer(Layer):

 def __init__(self, output_dim, **kwargs):
 self.output_dim = output_dim
 super(MyLayer, self).__init__(**kwargs)

 def build(self, input_shape):
 # Create a trainable weight variable for this layer.
 self.kernel = self.add_weight(name='kernel', 
  shape=(input_shape[1], self.output_dim),
  initializer='uniform',
  trainable=True)
 super(MyLayer, self).build(input_shape) # Be sure to call this somewhere!

 def call(self, x):
 return K.dot(x, self.kernel)

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

Keras自定义层如何允许masking

观察了一些支持masking的层,发现他们对masking的支持体现在两方面。

在 __init__ 方法中设置 supports_masking=True。

实现一个compute_mask方法,用于将mask传到下一层。

部分层会在call中调用传入的mask。

自定义实现带masking的meanpooling

假设输入是3d的。首先,在__init__方法中设置self.supports_masking = True,然后在call中实现相应的计算。

from keras import backend as K
from keras.engine.topology import Layer
import tensorflow as tf

class MyMeanPool(Layer):
 def __init__(self, axis, **kwargs):
 self.supports_masking = True
 self.axis = axis
 super(MyMeanPool, self).__init__(**kwargs)

 def compute_mask(self, input, input_mask=None):
 # need not to pass the mask to next layers
 return None

 def call(self, x, mask=None):
 if mask is not None:
 mask = K.repeat(mask, x.shape[-1])
 mask = tf.transpose(mask, [0,2,1])
 mask = K.cast(mask, K.floatx())
 x = x * mask
 return K.sum(x, axis=self.axis) / K.sum(mask, axis=self.axis)
 else:
 return K.mean(x, axis=self.axis)

 def compute_output_shape(self, input_shape):
 output_shape = []
 for i in range(len(input_shape)):
 if i!=self.axis:
 output_shape.append(input_shape[i])
 return tuple(output_shape)

使用举例:

from keras.layers import Input, Masking
from keras.models import Model
from MyMeanPooling import MyMeanPool

data = [[[10,10],[0, 0 ],[0, 0 ],[0, 0 ]],
 [[10,10],[20,20],[0, 0 ],[0, 0 ]],
 [[10,10],[20,20],[30,30],[0, 0 ]],
 [[10,10],[20,20],[30,30],[40,40]]]

A = Input(shape=[4,2]) # None * 4 * 2
mA = Masking()(A)
out = MyMeanPool(axis=1)(mA)

model = Model(inputs=[A], outputs=[out])

print model.summary()
print model.predict(data)

结果如下,每一行对应一个样本的结果,例如第一个样本只有第一个时刻有值,输出结果是[10. 10. ],是正确的。

[[10. 10.]
 [15. 15.]
 [20. 20.]
 [25. 25.]]

在DeepFM中,每个样本都是由ID构成的,多值field往往会导致样本长度不一的情况,例如interest这样的field,同一个样本可能在该field中有多项取值,毕竟每个人的兴趣点不止一项。

采取padding的方法将每个field的特征补长到最长的长度,则数据尺寸是 [batch_size, max_timestep],经过Embedding为每个样本的每个特征ID配一个latent vector,数据尺寸将变为 [batch_size, max_timestep,latent_dim]。

我们希望每一个field的Embedding之后的尺寸为[batch_size, latent_dim],然后进行concat操作横向拼接,所以这里就可以使用自定义的MeanPool层了。希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
基于Python实现对PDF文件的OCR识别
Aug 05 Python
python邮件发送smtplib使用详解
Jun 16 Python
使用Python写一个量化股票提醒系统
Aug 22 Python
Python读取指定日期邮件的实例
Feb 01 Python
numpy.linspace函数具体使用详解
May 27 Python
Python 实现数据结构-堆栈和队列的操作方法
Jul 17 Python
django 单表操作实例详解
Jul 30 Python
Python如何使用vars返回对象的属性列表
Oct 17 Python
Pycharm创建文件时自动生成文件头注释(自定义设置作者日期)
Nov 24 Python
Python虚拟环境virtualenv创建及使用过程图解
Dec 08 Python
利于python脚本编写可视化nmap和masscan的方法
Dec 29 Python
Matlab求解数组中的最大值及它所在的具体位置
Apr 16 Python
浅谈keras 的抽象后端(from keras import backend as K)
Jun 16 #Python
记录模型训练时loss值的变化情况
Jun 16 #Python
python实现批量转换图片为黑白
Jun 16 #Python
在keras中实现查看其训练loss值
Jun 16 #Python
安装python3.7编译器后如何正确安装opnecv的方法详解
Jun 16 #Python
Keras在训练期间可视化训练误差和测试误差实例
Jun 16 #Python
如何在Windows中安装多个python解释器
Jun 16 #Python
You might like
php adodb连接不同数据库
2009/03/19 PHP
PHP array操作10个小技巧分享
2011/06/23 PHP
JSON PHP中,Json字符串反序列化成对象/数组的方法
2018/05/31 PHP
番茄的表单验证类代码修改版
2008/07/18 Javascript
40款非常棒的jQuery 插件和制作教程(系列二)
2011/11/02 Javascript
JQuery选择器特辑 详细小结
2012/05/14 Javascript
JS获取当前日期和时间的简单实例
2013/11/19 Javascript
js获取内联样式的方法
2015/01/27 Javascript
Javascript设计模式之观察者模式的多个实现版本实例
2015/03/03 Javascript
JS实现横向与竖向两个选项卡Tab联动的方法
2015/09/27 Javascript
jQuery解析返回的xml和json方法详解
2017/01/05 Javascript
微信小程序技巧之show内容展示,上传文件编码问题
2017/01/23 Javascript
微信小程序 跳转传参数与传对象详解及实例代码
2017/03/14 Javascript
JavaScript图片处理与合成总结
2018/03/04 Javascript
在小程序中集成redux/immutable/thunk第三方库的方法
2018/08/12 Javascript
Angular设置别名alias的方法
2018/11/08 Javascript
详解vue项目中调用百度地图API使用方法
2019/04/25 Javascript
浅谈bootstrap layer.open中end的使用方法
2019/09/12 Javascript
React学习之JSX与react事件实例分析
2020/01/06 Javascript
vue 导航菜单刷新状态不消失,显示对应的路由界面操作
2020/08/06 Javascript
Python使用email模块对邮件进行编码和解码的实例教程
2016/07/01 Python
利用Python为iOS10生成图标和截屏
2016/09/24 Python
python 开发的三种运行模式详细介绍
2017/01/18 Python
Django uwsgi Nginx 的生产环境部署详解
2019/02/02 Python
Python英文文本分词(无空格)模块wordninja的使用实例
2019/02/20 Python
15行Python代码实现网易云热门歌单实例教程
2019/03/10 Python
python关于调用函数外的变量实例
2019/12/26 Python
HTML5实现文件断点续传的方法
2017/01/04 HTML / CSS
椰子猫砂:CatSpot
2018/08/27 全球购物
茱莉蔻美国官网:Jurlique美国
2020/11/24 全球购物
联想C++笔试题
2012/06/13 面试题
一名女生的自荐信
2013/12/08 职场文书
导购员的岗位职责
2014/02/08 职场文书
档案接收函格式
2015/01/30 职场文书
《将心比心》教学反思
2016/02/23 职场文书
JavaScript如何利用Promise控制并发请求个数
2021/05/14 Javascript