做深度学习这么久了，好像还没有随笔记过很多东西，随着年龄的增长，没办法，记忆力越来越不行了，只能随笔笔记一下一下了，也顺便把实际的经验分享出去，帮助到更多的人撒，当然了，我也希望有人跟我一起探讨．．．．
今天分享什么呢？算了，一个小问题把，关于深学框架keras网络层的一个应用，好了好了，不废话了．．
我们在做一些图像分割的时候，可能会需要把图像的不同的通道分别处理，这时候就需要把网络层中的某些通道进行拆分，但是keras并没有提供类似`tf.split`这样的方法，反而我们只能看到一个`keras.layers.merge`这样一个合并层，那么我们怎样使用keras进行拆分呢？很简单，借助`keras.layers.core.Lambda`实现
keras在层中间其实都是张量进行传递，那么张量是可以像数组一样进行切片的，知道这一点就好操作了，不好意思，又扯了一大堆废话，直接上代码比较实在
下面以Unet分割网络举例，通过Unet预测图像的mask区域以及图像类别，比如，我们的实际情景是：先预测mask区域，然后再预测mask区域的类别，这时候我们可以通过Unet一步到位，而不用处理2个模型，具体步骤如下:
1.定义数据的label.这里的label不像做图像分类的时候那样，单纯的定义一个0或者1,然后转换为one-hot编码，因为Unet是每个像素级别的分类，所以我们需要为每个像素都定义一个label,换句话说，mask区域有多大，label就有多大,所以第一步是定义一个和mask原图一样大的label数组
2.得到mask区域的label.把mask数组* label数组即可(前提是mask必须是0或1的二值图)
3.把1和2得到的两个数组填充在一个数组里面，返回作为神经网络训练的标签
4. 修改Unet网络结构
代码如下:
mask_label = np.zeros((self.target_size[0], self.target_size[1], 2))
new_label = np.multiply(mask, mask_label[:, :, 1]) # 求mask区域的label
mask_label[:, :, 0] = mask # 第0通道表示mask区域
mask_label[:, :, 1] = new_label # 第1通道表示mask区域的label
Unet网络修改如下:
def slices(x, index):
return x[:, :, :, index:index+1]
...
de_out = Conv2D(filters=target_channels, kernel_size=(3, 3), padding='same', strides=(1, 1))(de_8) # 这层是Unet的倒数第二层，其它层根据自己实际情况构建把
x1 = keras.layers.core.Lambda(slices, arguments={"index": 0}, name="mask")(de_out) # 拆分网络层得到第0通道
x2 = keras.layers.core.Lambda(slices, arguments={"index": 1})(de_out) # 拆分网络层得到第1通道
conv10 = keras.layers.multiply([x1, x2], name="mask_label") # 拆分的2个通道乘积
conv11 = keras.layers.concatenate([x1, conv10]) # 合并通道为一个输出
model = Model(input=[input_layer], output=conv11)
修改完网络层以后，接下来干嘛呢，当然是训练神经网络了．．
所有的步骤就是酱紫啦，好像写的有些啰嗦，代码没有高亮，见谅啊，下次用MarkDown语法改正，我肯定改正哦．．．233333
