在Tensorflow和Keras的两个通道上生成softmax

定义一个 Lambda 分层并使用 softmax

from keras import backend as K
from keras.layers import Lambda

soft_out = Lambda(lambda x: K.softmax(x, axis=my_desired_axis))(input_tensor)

N维的numpy数组的形状为 (d1, d2, d3, ..., dn) . 它们中的每一个都称为轴。因此,第一个轴(即。 axis=0 )有维度 d1 ,第二个轴(即。 axis=1 d2 等等此外,阵列的最常见情况是2D阵列或形状为的矩阵 (m, n) m 轴=0 n 列(即。 轴=1

>>> import numpy as np
>>> a = np.arange(12).reshape(3,4)
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

>>> a.shape
(3, 4)   # three rows and four columns

>>> np.sum(a, axis=0)  # compute the sum over the rows (i.e. for each column)
array([12, 15, 18, 21])

>>> np.sum(a, axis=1)  # compute the sum over the columns (i.e. for each row)
array([ 6, 22, 38])

>>> np.sum(a, axis=-1) # axis=-1 is equivalent to the last axis (i.e. columns)
array([ 6, 22, 38])

现在,在您的示例中,计算softmax函数也适用同样的情况。必须首先确定要在哪个轴上计算softmax,然后使用 axis 论点此外,请注意,默认情况下,softmax应用于最后一个轴(即。 axis=-1 Activation 层,而不是:

from keras.layers import Activation

soft_out = Activation('softmax')(input_tensor)

还有另一种方法是使用 Softmax 图层:

from keras.layers import Softmax

soft_out = Softmax(axis=desired_axis)(input_tensor)

https://keras.io/getting-started/functional-api-guide/

input = Input(...)
...
t = some_tensor
t0 = t0[:,:,0]
t1 = t0[:,:,1]
soft0 = Softmax(output_shape)(t0)
soft1 = Softmax(output_shape)(t1)
outputs = [soft0,soft1]
model = Model(inputs=input, outputs=outputs)
model.compile(...)
model.fit(x_train, [y_train0, ytrain1], epoch = 10, batch_size=32)