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
Python Mysql数据库操作 Perl操作Mysql数据库
Jan 12 Python
Python3之文件读写操作的实例讲解
Jan 23 Python
Python实现通过继承覆盖方法示例
Jul 02 Python
Python图像处理之gif动态图的解析与合成操作详解
Dec 30 Python
解决Django Static内容不能加载显示的问题
Jul 28 Python
python读取指定字节长度的文本方法
Aug 27 Python
Django 限制访问频率的思路详解
Dec 24 Python
python小白切忌乱用表达式
May 29 Python
python接口自动化之ConfigParser配置文件的使用详解
Aug 03 Python
Pycharm 设置默认解释器路径和编码格式的操作
Feb 05 Python
浅谈Python 中的复数问题
May 19 Python
利用Python将list列表写入文件并读取的方法汇总
Mar 25 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中预定义的6种接口介绍
2015/05/12 PHP
PHP异常处理Exception类
2015/12/11 PHP
php使用str_replace替换多维数组的实现方法分析
2017/06/15 PHP
Yii实现微信公众号场景二维码的方法实例
2020/08/30 PHP
this[] 指的是什么内容 讨论
2007/03/24 Javascript
打开新窗口关闭当前页面不弹出关闭提示js代码
2013/03/18 Javascript
原生JS实现表单checkbook获取已选择的值
2013/07/21 Javascript
js判断两个日期是否相等的方法
2013/09/10 Javascript
js打造数组转json函数
2015/01/14 Javascript
Javascript与jQuery方法的隐藏与显示
2015/01/19 Javascript
jQuery实现跨域iframe接口方法调用
2015/03/14 Javascript
JS处理json日期格式化问题
2015/10/01 Javascript
js中数组结合字符串实现查找(屏蔽广告判断url等)
2016/03/30 Javascript
深入理解Node.js的HTTP模块
2016/10/12 Javascript
JavaScript字符串对象
2017/01/14 Javascript
JavaScript中 DOM操作方法小结
2017/04/25 Javascript
JavaScript基础进阶之数组方法总结(推荐)
2017/09/04 Javascript
jQuery实现获取table中鼠标click点击位置行号与列号的方法
2017/10/09 jQuery
详解小程序用户登录状态检查与更新实例
2019/05/15 Javascript
Vue 实现简易多行滚动"弹幕"效果
2020/01/02 Javascript
[55:16]Mski vs VGJ.S Supermajor小组赛C组 BO3 第二场 6.3
2018/06/04 DOTA
解决PyCharm中光标变粗的问题
2017/08/05 Python
解决win64 Python下安装PIL出错问题(图解)
2018/09/03 Python
将Python字符串生成PDF的实例代码详解
2019/05/17 Python
Python3.7安装keras和TensorFlow的教程图解
2020/06/18 Python
分享PyCharm的几个使用技巧
2019/11/10 Python
解决Keyerror ''acc'' KeyError: ''val_acc''问题
2020/06/18 Python
python线程池 ThreadPoolExecutor 的用法示例
2020/10/10 Python
DHC美国官网:日本通信销售第一的化妆品品牌
2017/11/12 全球购物
请描述一下”is a”关系和”has a”关系
2015/02/03 面试题
会计电算化专业毕业生求职信范文
2013/12/10 职场文书
幼儿园教师奖惩制度
2014/02/01 职场文书
中学生励志演讲稿
2014/04/26 职场文书
聋哑人盗窃罪辩护词
2015/05/21 职场文书
小学运动会通讯稿
2015/07/18 职场文书
mysql性能优化以及配置连接参数设置
2022/05/06 MySQL