在深度学习中，Keras 提供了丰富的预定义层来构建模型。然而，有时你可能需要创建自己的层来满足特定需求。本文将介绍如何在 Keras 中创建自定义层。
自定义层的基本结构
自定义层通常继承自 tf.keras.layers.Layer 类。在自定义层中，你需要定义以下方法：
__init__(self, **kwargs): 初始化方法，可以设置层的配置参数。build(self, input_shape): 构建方法，用于创建层中的可训练变量。call(self, inputs): 调用方法，定义了输入到输出的转换。
示例：简单的自定义层
以下是一个简单的自定义层示例，该层将输入数据乘以一个固定的系数。
import tensorflow as tf
class MultiplyLayer(tf.keras.layers.Layer):
def __init__(self, multiplier):
super(MultiplyLayer, self).__init__()
self.multiplier = multiplier
def build(self, input_shape):
self.kernel = self.add_weight(name='kernel',
shape=(1,),
initializer='ones',
trainable=True)
def call(self, inputs):
return inputs * self.multiplier * self.kernel
使用自定义层
创建自定义层后，你可以在模型中像使用其他层一样使用它。
model = tf.keras.Sequential([
MultiplyLayer(multiplier=3),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='categorical_crossentropy')
扩展阅读
更多关于 Keras 自定义层的细节，可以参考官方文档：Keras Custom Layers。