为什么Keras层的L2归一化会扩展维度？

我想使用FaceNet架构的最后一层，其中包含以下三个最终层：

Dropout (Dropout) (None, 1792)
Bottleneck (Dense) (None, 128)
Bottleneck_BatchNorm (BatchNorm) (None, 128)

我想添加一个L2归一化的附加层，像这样：

norm = FRmodel.outputsnorm = Lambda(lambda x: K.l2_normalize(x, axis=1)), name="Normalization")(norm)

现在，最后几层看起来像这样：

Dropout (Dropout) (None, 1792)
Bottleneck (Dense) (None, 128)
Bottleneck_BatchNorm (BatchNorm) (None, 128)
Normalization (Lambda) (1, None, 128)

我的问题是，为什么L2归一化的维度会从(None, 128)变为(1, None, 128)？因为这个原因，我无法训练我的模型，因为输出不匹配。如果我尝试在不添加归一化的情况下训练模型，一切都运行良好。

回答：

这是因为Keras模型的outputs属性返回一个输出张量的列表（即使你的模型只有一个输出层）。因此，你创建的Lambda层被应用于这个列表，而不是列表中的单个输出张量。要解决这个问题，请提取该列表的第一个元素，然后将Lambda层应用于它：

norm = FRmodel.outputs[0]norm = Lambda(...)(norm)

学技术