keras实现自定义层的关键步骤解析

前言：Keras提供众多常见的已编写好的层对象，例如常见的卷积层、池化层等，我们可以直接通过以下代码调用。Keras中的层大致上分为两种类型：

第一种是带有训练参数的：比如Dense层、Conv2D层，等等，我们在训练的过程中需要训练层的权重和偏置项；

第二种是不带训练参数的：比如dropout层、flatten层、等等，我们不需要训练它的权重，只需要对输入进行加工处理再输出就行了。

我们在实际应用中，我们经常需要自己构建一些层对象，已满足某些自定义网络的特殊需求。，也无非就是上面两种，一种是带有参数的，一种是不带参数的，不管是哪一种，幸运的是，Keras对自定义层都提供了良好的支持。

一、Lambda层

二、自定义层

    2.1 Dense层解析

    2.2 三个核心方法的解析

        （1）build方法

        （2）call方法

        （3）compute_output_shape方法

    2.3 基类Layer中的定义

一、Lambda层

对于简单、无状态的自定义操作，你也许可以通过 layers.core.Lambda 层来实现。即使用keras.core.lambda()
如果我们的自定义层中不包含可训练的权重，而只是对上一层输出做一些函数变换，那么我们可以直接使用keras.core模块（该模块包含常见的基础层，如Dense、Activation等）下的lambda函数：

keras.layers.core.Lambda(function, output_shape=None, mask=None, arguments=None)

参数说明： 
function：要实现的函数，该函数仅接受一个变量，即上一层的输出 
output_shape：函数应该返回的值的shape，可以是一个tuple，也可以是一个根据输入shape计算输出shape的函数 
mask: 掩膜 
arguments：可选，字典，用来记录向函数中传递的其他关键字参数

注意：也不是说对于没有训练参数的层就一定要用Lambda层，我也可以使用自定义的层，只不过是没必要那么复杂而已。

二、自定义层

但是对于那些包含了可训练权重的自定义层，你应该自己实现这种层。在这种情况下，我们需要定义的是一个全新的、拥有可训练权重的层，这个时候我们就需要使用下面的方法。即通过编写自定义层，从Layer中继承。

（下面的内容来自官方文档，有部分是自己的注解，后面着重总结的）

这是一个 Keras2.0 中，Keras 层的骨架（如果你用的是旧的版本，请更新到新版）。你只需要实现三个方法即可:

要定制自己的层，需要实现下面三个方法

• build(input_shape)：这是定义权重的方法，可训练的权应该在这里被加入列表self.trainable_weights中。其他的属性还包括self.non_trainabe_weights（列表）和self.updates（需要更新的形如（tensor,new_tensor）的tuple的列表）。这个方法必须设置self.built = True，可通过调用super([layer],self).build()实现。
• call(x)：这是定义层功能的方法，除非你希望你写的层支持masking，否则你只需要关心call的第一个参数：输入张量。
• compute_output_shape(input_shape)：如果你的层修改了输入数据的shape，你应该在这里指定shape变化的方法，这个函数使得Keras可以做自动shape推断。