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 npfrom 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)