计算Keras中两个张量之间的余弦相似度

计算Keras中两个张量之间的余弦相似度

Keras文档中有一些尚不清楚的事情，我认为了解这些至关重要：

对于keras文档中的每个函数

Merge

，都有一个小写和一个大写的定义，即

add()

和

Add()

。

在Github上，

farizrahman4u

概述了不同之处：

Merge is a layer.Merge takes layers as inputMerge is usually used with Sequential modelsmerge is a function.merge takes tensors as input.merge is a wrapper around Merge.merge is used in Functional APIUsing Merge:left = Sequential()left.add(...)left.add(...)right = Sequential()right.add(...)right.add(...)model = Sequential()model.add(Merge([left, right]))model.add(...)using merge:a = Input((10,))b = Dense(10)(a)c = Dense(10)(a)d = merge([b, c])model = Model(a, d)

要回答您的问题，由于

Merge

已弃用，因此我们必须为自己定义和构建一个层

cosinesimilarity

。通常，这将涉及使用小写的函数，将它们包装在a中

Lambda

以创建可在模型中使用的层。

我在这里找到了解决方案：

from keras import backend as Kdef cosine_distance(vests):    x, y = vests    x = K.l2_normalize(x, axis=-1)    y = K.l2_normalize(y, axis=-1)    return -K.mean(x * y, axis=-1, keepdims=True)def cos_dist_output_shape(shapes):    shape1, shape2 = shapes    return (shape1[0],1)distance = Lambda(cosine_distance, output_shape=cos_dist_output_shape)([processed_a, processed_b]

根据您的数据，您可能需要删除L2规范化。关于该解决方案要注意的重要一点是，它是使用Keras函数api构建的，例如

K.mean()

-我认为在定义自定义层甚至损失函数时这是必需的。

希望我清楚，这是我的第一个SO答案！