keras自定義網絡層

在深度學習領域，Keras是一個高度封裝的庫並被普遍應用，能夠經過調用其內置網絡模塊（各類網絡層）實現針對性的模型結構；當所須要的網絡層功能不被包含時，則須要經過自定義網絡層或模型實現。

如何在keras框架下自定義層，基本「套路」以下。

通常地，keras中的網絡層是一個類，因此自定義層即編寫一個類，更爲重要的是這個類（即自定義層）須要繼承Layer父類，並且須要實現如下四種方法：

1. __init __ (self, output_dim, **kwargs)

這個方法是用來初始化並自定義自定義層所需的屬性，好比output_dim；
此外，該方法須要執行super().__init __(**kwargs)，這行代碼是執行Layer類中的初始化函數；
當執行上述代碼就沒有必要去管input_shape,weights,trainable等關鍵字參數，由於父類(Layer)的初始化函數實現了它們與layer實例的綁定。

2. build(self, input_shape)

這個方法是用來建立層的權重；
在該方法中，根據以前的繼承，經過Layer類的add_weight方法來自定義並添加一個權重矩陣，這個方法須要input_shape參數；
該方法必須設self.built = True，目的是爲了保證這個層的權重定義函數build被執行過了；
在built函數中，須要說明這個權重各方面的屬性，好比shape、初始化方式以及可訓練性等信息。

3. call(self, x)

這個方法是用來編寫層的功能邏輯；
在該方法中，須要關注傳入call的第一個參數：輸入張量x；x只能是一種形式變量，不能是具體的變量，即它不能被定義；
這個call函數就是該層的計算邏輯，當建立好這個層實例後，該實例能夠執行call函數；
可見，這個層的核心應該是一段符號式的輸入張量到輸出張量的計算過程。

4. compute_output_shape(self, input_shape)

這個方法是用來保證輸出shape是正確的；
這裏重寫compute_output_shape方法去覆蓋父類中的同名方法，來保證輸出的shape符合實際；
父類Layer中的compute_output_shape方法直接返回的是input_shape這明顯是不對的，因此須要重寫該方法。

示例

結合官方文檔的例子，給出以下一個自定義層的代碼：

使用自定義層，就如同使用keras內置網絡層同樣，以下圖所示：（另外，本例使用kears內置的激活函數層ReLU承接自定義層的輸出，從而避免將激活函數的功能加入到自定義層中）