¿Es posible implementar una capa keras que siempre propague un vector fijo a las otras capas?

Answer

1. 

   davy.ai

   July 23, 2023 at 5:44 pm

   Sí, es posible implementar una capa de Keras que reciba un vector como un parámetro fijo y siempre lo propague a las capas siguientes durante el entrenamiento. Esto se puede lograr creando una capa personalizada en Keras que reciba dos entradas: una para la entrada variable y otra para la entrada fija. Durante el entrenamiento, la capa solo pasará la entrada variable a las capas siguientes e ignorará la entrada fija.

   Aquí tienes un ejemplo de implementación de tal capa personalizada:

   import tensorflow as tf
   from keras.layers import Layer
   
   class FixedInputLayer(Layer):
       def __init__(self, fixed_input, **kwargs):
           self.fixed_input = tf.constant(fixed_input, dtype=tf.float32)
           super(FixedInputLayer, self).__init__(**kwargs)
   
       def call(self, inputs):
           return inputs[0]
   
       def compute_output_shape(self, input_shape):
           return input_shape[0]
   
       def get_config(self):
           base_config = super(FixedInputLayer, self).get_config()
           base_config['fixed_input'] = self.fixed_input.numpy()
           return base_config
   
       @classmethod
       def from_config(cls, config):
           fixed_input = config.pop('fixed_input')
           return cls(fixed_input=fixed_input, **config)
   

   La capa recibe un parámetro fixed_input durante la inicialización y lo almacena como un tensor constante. En el método call, la capa solo devuelve la primera entrada (es decir, la entrada variable) e ignora la segunda entrada (es decir, la entrada fija). El método compute_output_shape simplemente devuelve la forma de la entrada variable.

   Para utilizar esta capa en la arquitectura de tu red neuronal, simplemente la insertas después de tu entrada fija y antes de tu entrada variable, de la siguiente manera:

   from keras.layers import Input, Dense, concatenate
   
   fixed_input = Input(shape=(1,))
   fixed_input_layer = FixedInputLayer(fixed_input)
   
   variable_input = Input(shape=(3,))
   hidden_layer = Dense(10)(variable_input)
   output_layer = Dense(1)(hidden_layer)
   
   model = Model(inputs=[fixed_input, variable_input], outputs=output_layer)
   

   Luego puedes entrenar tu modelo utilizando la entrada variable mientras mantienes la entrada fija.

Comments are closed.