Comment personnaliser les noms de couches Keras et l'incrémenter automatiquement.

Ci-dessous devrait faire:

cust_sig
cust_sig_1
cust_sig_2

:

De code source , la dénomination automatique fonctionne comme suit:

ipt = Input(shape=(1, 3, 256), name='spec')
x   = Flatten('channels_last')(ipt)
for _ in range(3):
    x   = Dense(512)(x)
    x   = CustSig(custom_activation)(x)
out = Dense(256, activation='sigmoid', name='out')(x)

model = Model(ipt, out)

print(model.layers[3].name)
print(model.layers[5].name)
print(model.layers[7].name)

Le graphe Keras est vérifié pour les objets existants avec le même nom que l'objet que vous définissez - s'il en existe, continue à s'incrémenter de 1 jusqu'à ce qu'aucun ne corresponde. Le hic, c'est que vous ne pouvez pas spécifier name = , car cela élimine la dénomination automatique selon les conditions ci-dessus.

La seule solution de contournement est probablement de définir votre propre couche d'activation personnalisée en utilisant le nom souhaité comme nom de classe comme ci-dessus, qui se manifeste comme suit:

if not name:
  self._name = backend.unique_object_name(
      generic_utils.to_snake_case(self.__class__.__name__),
      zero_based=zero_based)
else:
  self._name = name

def custom_activation(x):
    return (K.sigmoid(x) * 5) - 1

class CustSig(Layer):
    def __init__(self, my_activation, **kwargs):
        super(CustSig, self).__init__(**kwargs)
        self.supports_masking = True
        self.activation = my_activation

    def call(self, inputs):
        return self.activation(inputs)

    def get_config(self):
        config = {'activation': activations.serialize(self.activation)}
        base_config = super(Activation, self).get_config()
        return dict(list(base_config.items()) + list(config.items()))

    def compute_output_shape(self, input_shape):
        return input_shape

Si vous vérifiez le code source de Layer class , vous pouvez trouver ces lignes qui décident du nom de la couche.

# Layer (type)                 Output Shape              Param #   
# =================================================================
# input_1 (InputLayer)         (None, 10, 10)            0         
# _________________________________________________________________
# flatten_1 (Flatten)          (None, 100)               0         
# _________________________________________________________________
# dense_1 (Dense)              (None, 512)               51712     
# _________________________________________________________________
# my_act_1 (MyAct)             (None, 512)               0         
# _________________________________________________________________
# dense_2 (Dense)              (None, 512)               262656    
# _________________________________________________________________
# my_act_2 (MyAct)             (None, 512)               0         
# _________________________________________________________________
# dense_3 (Dense)              (None, 512)               262656    
# _________________________________________________________________
# my_act_3 (MyAct)             (None, 512)               0         
# =================================================================
# Total params: 577,024
# Trainable params: 577,024
# Non-trainable params: 0

K.get_uid (prefix) obtiendra l'identifiant unique du graphique, c'est pourquoi vous voyez activation_1 , activation_2 .

Si vous voulez avoir le même effet sur votre fonction d'activation personnalisée, une meilleure façon est de définir votre propre classe qui hérite de Layer .

class MyAct(Layer):
    def __init__(self):
        super().__init__()

    def call(self, inputs):
        return (K.sigmoid(inputs) * 5) - 1 

spec_input = Input(shape=(10,10))
x = Flatten()(spec_input)
for layer in range(3):
    x = Dense(512)(x)
    x = MyAct()(x)

model = Model(spec_input, x)
model.summary()

if not name:
    prefix = self.__class__.__name__
    name = _to_snake_case(prefix) + '_' + str(K.get_uid(prefix))
self.name = name

Si vous souhaitez utiliser plusieurs fois un specific_name avec le suffixe numérique, utilisez ceci:

...
for layer in range(3):
  x = Dense(512)(x)
  x = Activation('custom_activation', name=tf.get_default_graph().unique_name("cust_sig"))(x)
...

ou

tf.compat.v1.get_default_graph().unique_name("specific_name")

Dans votre cas:

tf.get_default_graph().unique_name("specific_name")