如何在 TF 2.2 中创建自定义 PreprocessingLayer

Question

我想使用该层创建一个自定义预处理tf.keras.layers.experimental.preprocessing.PreprocessingLayer层。在这个自定义层中，放置在输入层之后，我想使用规范化我的图像tf.cast(img, tf.float32) / 255.我试图找到一些代码或示例来展示如何创建这个预处理层，但我找不到。拜托，有人可以提供创建和使用 PreprocessingLayer 层的完整示例吗？

Answer 1

如果你想有一个自定义的预处理层，实际上你不需要使用PreprocessingLayer. 您可以简单地继承Layer

以最简单的预处理层Rescaling为例，它在tf.keras.layers.experimental.preprocessing.Rescaling命名空间下。但是，如果您检查实际实现，它只是子Layer类 class Source Code Link Here但有@keras_export('keras.layers.experimental.preprocessing.Rescaling')

@keras_export('keras.layers.experimental.preprocessing.Rescaling')

class Rescaling(Layer):

  """Multiply inputs by `scale` and adds `offset`.

  For instance:

  1. To rescale an input in the `[0, 255]` range

  to be in the `[0, 1]` range, you would pass `scale=1./255`.

  2. To rescale an input in the `[0, 255]` range to be in the `[-1, 1]` range,

  you would pass `scale=1./127.5, offset=-1`.

  The rescaling is applied both during training and inference.

  Input shape:

    Arbitrary.

  Output shape:

    Same as input.

  Arguments:

    scale: Float, the scale to apply to the inputs.

    offset: Float, the offset to apply to the inputs.

    name: A string, the name of the layer.

  """

  def __init__(self, scale, offset=0., name=None, **kwargs):

    self.scale = scale

    self.offset = offset

    super(Rescaling, self).__init__(name=name, **kwargs)

  def call(self, inputs):

    dtype = self._compute_dtype

    scale = math_ops.cast(self.scale, dtype)

    offset = math_ops.cast(self.offset, dtype)

    return math_ops.cast(inputs, dtype) * scale + offset

  def compute_output_shape(self, input_shape):

    return input_shape

  def get_config(self):

    config = {

        'scale': self.scale,

        'offset': self.offset,

    }

    base_config = super(Rescaling, self).get_config()

    return dict(list(base_config.items()) + list(config.items()))

所以它证明Rescaling预处理只是另一个普通层。

主要部分是def call(self, inputs)函数。您可以创建任何复杂的逻辑来预处理您的逻辑inputs然后返回。

可以在此处找到有关自定义层的更简单的文档

简而言之，您可以按层进行预处理，可以通过 Lambda 进行简单操作，也可以通过子类化 Layer 来实现您的目标。

Answer 2

我认为最好和更干净的解决方案是使用一个简单的 Lambda 层，您可以在其中包装预处理函数

这是一个虚拟的工作示例

import numpy as np

from tensorflow.keras.layers import *

from tensorflow.keras.models import *

X = np.random.randint(0,256, (200,32,32,3))

y = np.random.randint(0,3, 200)

inp = Input((32,32,3))

x = Lambda(lambda x: x/255)(inp)

x = Conv2D(8, 3, activation='relu')(x)

x = Flatten()(x)

out = Dense(3, activation='softmax')(x)

m = Model(inp, out)

m.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])

history = m.fit(X, y, epochs=10)