python - 克拉斯的欧式距离

我遇到了一个暹罗网络的Keras代码，其中两个大小分别为（？128）的ndarray传递给一个层以获取它们之间的差，然后传递给Lambda层以获取结果数组的平方平方和，这样做的目的是获得两个初始数组之间的欧式距离

embedded_distance = layers.Subtract(name='subtract_embeddings')([encoded_1, encoded_2])

embedded_distance = layers.Lambda(lambda x: K.sqrt(K.sum(K.square(x), axis=-1, keepdims=True)), name='euclidean_distance')(embedded_distance)

令我困惑的是，根据模型的视觉架构，该层的输出大小以及随后的密集层的输入大小也都是大小（？，128），难道不应该仅仅是一个号码？否则sum方法如何工作？

如果有人感兴趣，这里是课程的链接，以及视觉架构。 （注意：此代码对我来说是不变的，并且在我用它训练模型后可以正常工作）

http://codebin.herokuapp.com/?s=5e162c612cdd6f0004000001

https://imgur.com/a/zC7Uyfm

最佳答案

您报告的问题与您正在使用的事实有关

distance_metric == 'weighted_l1'

您应该更改此行代码

embedded_distance = layers.Lambda(lambda x: K.abs(x))(embedded_distance)

至

embedded_distance = layers.Lambda(
        lambda x: K.sum(K.abs(x), axis=-1, keepdims=True),
        name='euclidean_distance')(embedded_distance)

还要注意，添加output = layers.Dense(1, activation='sigmoid')(embedded_distance)不会引起兴趣，因为在这种情况下，shi层的输入已经是标量。

关于python - 克拉斯的欧式距离，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/59659494/