如何在 Keras 中按列拆分张量以实现 STFCN

Question

我想在 Keras 中实现时空全卷积网络 (STFCN)。我需要提供 3D 卷积输出的每个深度列，例如形状为 (64, 16, 16) 的张量，作为单独 LSTM 的输入。

为了说明这一点，我有一个 (64 x 16 x 16) 张量，尺寸为 (channels, height, width)。我需要将张量（显式或隐式）拆分为 16 * 16 = 256 个形状为 (64 x 1 x 1).

的张量

这是来自 STFCN 论文的图表，用于说明时空模块。我上面描述的是'Spatial Features'和'Spatio-Temporal Module'之间的箭头。

如何在 Keras 中最好地实现这个想法？

Answer 1

您可以使用来自 Tensorflow 的 tf.split 使用 Keras Lambda 层

使用 Lambda 将形状为 (64,16,16) 的张量拆分为 (64,1,1,256)，然后对您需要的任何索引进行子集化。

import numpy as np
import tensorflow as tf
import keras.backend as K
from keras.models import  Model
from keras.layers import Input, Lambda

# input data
data = np.ones((3,64,16,16))

# define lambda function to split
def lambda_fun(x) : 
    x = K.expand_dims(x, 4)
    split1 = tf.split(x, 16, 2)
    x = K.concatenate(split1, 4)
    split2 = tf.split(x, 16, 3)
    x = K.concatenate(split2, 4)
    return x

## check thet splitting works fine
input = Input(shape= (64,16,16))
ll = Lambda(lambda_fun)(input)
model = Model(inputs=input, outputs=ll)
res = model.predict(data)
print(np.shape(res))    #(3, 64, 1, 1, 256)

如何在 Keras 中按列拆分张量以实现 STFCN

How to split a tensor column-wise in Keras to implement STFCN

deep-learning

keras

keras-layer