我对Keras还比较陌生，目前正在尝试构建一个对决Q网络来训练一个KI。我找到了一段代码片段来构建一个模型，看起来竟然能工作。但我完全不明白其中的原理，因为我不太熟悉Keras中的lambda表达式。能有人解释一下在下面的模型中lambda层的创建是如何工作的吗？非常感谢您的提前帮助！
def build_model(): model = Sequential() model.add(Dense(units=16, activation='relu', input_dim = 2)) model.add(Dense(units=32, activation='relu')) model.add(Dense(units=9, activation='relu')) #我完全不明白下面的层是如何工作的： model.add(Lambda(lambda i: K.expand_dims(i[:,0],-1) + i[:,1:] - K.mean(i[:,1:], keepdims=True), output_shape=(8,))) model.add(Dense(units=8, activation='linear')) model.compile(loss='mse', optimizer = RMSprop(lr=0.001) ) return model回答：
我对你的具体研究领域不熟悉，但我可以告诉你这个层在做什么。Lambda层是当你想要对输入执行自定义操作，而这些操作不是Keras预定义的时使用的。具体来说，你想对进入该层的张量应用一些Keras尚未处理的自定义操作。
进入Lambda层的输入是一个匿名函数，其中输入是进入该层的张量。不过请注意，你也可以在这个层中指定任何函数或操作，而不一定是匿名函数……只要它能对输入张量进行操作并产生一个输出即可。然后你定义你想要对这个输入张量执行的操作，并创建一个对应的输出张量，供下一层使用。当然，这种行为假设这是一个前馈网络，这也是我在这里看到的。你可以将匿名函数视为一次性函数，用于执行操作，但一旦你指定了对输入张量做什么后，你就不再需要它们了。
lambda i因此表示你正在创建一个匿名函数，Lambda层将对定义为i的输入张量进行操作。K.expand_dims确保为广播目的添加单例维度。在这种情况下，我们希望取输入张量的第一列i[:,0]，它成为一个一维数组，并确保输入张量是一个具有单列的二维数组（即从N,数组变为N x 1数组）。-1参数是你想要扩展的轴。将其设置为-1只是扩展最后一个维度，在这种情况下，最后一个维度是第一个（也是唯一一个）维度。
如果你不习惯广播，添加到这个扩展数组的操作有点难以理解，但一旦你掌握了，它是计算中最强大的机制之一。i[:,1:]切片输入张量，使我们考虑从第二列到最后的张量。在幕后，将这个切片张量与扩展的单列i[:,0]相加意味着这一列会被复制，并分别添加到i[:,1:]中的每一列。
例如，如果i[:,0]是[1, 2, 3, 4]，而i[:,1:]是[[4, 4, 4, 4], [5, 5, 5, 5], [6, 6, 6, 6]，执行K.expand_dims(i[:,0], -1) + i[:,1:]的结果是[[5, 6, 7, 8], [6, 7, 8, 9], [7, 8, 9, 10]]。
最后一块拼图是这个：K.mean(i[:,1:], keepdims=True)。我们取K.expand_dims(i[:,0], -1) + i[:,1:]然后用K.mean(i[:,1:], keepdims=True)减去它。在这种情况下，K.mean将找到从第二列开始的所有行中所有值的平均值。这是操作的默认行为。根据你如何使用K.mean，一个或多个维度可能会丢失。K.mean的另一个输入是axis，它允许你指定你想要分析张量中哪个维度的平均值。例如，如果你使用axis=0，这将找到每列的平均值。这将减少到一个一维张量值。使用keepdims关键字，如果你指定keepdims=True，这将确保张量仍然是二维的，列数为1（即一个N x 1张量而不是N,张量）。默认行为是false。
因此，通过执行K.mean操作，我们确保最终结果是1 x 1，并从K.expand_dims(i[:,0],-1) + i[:,1:]结果的每个值中减去这个值。这再次是由于广播成为可能的。
最后，我们确保这个操作的输出形状给出一个大小为8的一维张量。
tl;dr
这个操作是一个自定义操作，我们取输入张量的第一列，将其加到从第二列开始的所有其他列上，然后用从第二列开始的所有其他列的平均值减去这个结果的每个值。此外，我们约束张量的输出大小，使其为一维，大小为8。
