如何理解model.add(tf.keras.layers.Lambda(lambda x: x * 200))的作用？

代码作用与解读 #

你对Python中lambda的理解完全正确，它就是不需要声明函数名的简易匿名函数，你举的lambda x:x+1的示例完全符合它的基础用法。

你贴的Keras代码具体作用如下：

• tf.keras.layers.Lambda是Keras框架提供的自定义运算封装工具，可以把任意符合张量运算规则的自定义逻辑，包装成可以直接加入神经网络模型的标准层，不需要手动实现完整的自定义层类，轻量化满足简单的自定义运算需求。
• 这行代码里封装的逻辑是：输入到该层的所有张量元素统一乘以系数200，最常见的使用场景是把模型输出的归一化数值（比如缩放到[0,1]区间的结果）直接还原回原始数值范围，不需要在模型推理阶段单独做后处理运算。

model.add()的作用 #

这里的model默认是tf.keras.Sequential序列类模型，这类模型的结构是按线性顺序堆叠网络层，add()方法的作用就是把新的网络层追加到当前模型的层列表末尾，完成模型结构的拼接。

比如完整的简单模型搭建示例如下：

import tensorflow as tf
# 初始化序列模型
model = tf.keras.Sequential()
# 添加第一层全连接层
model.add(tf.keras.layers.Dense(32, activation='relu', input_shape=(10,)))
# 添加你提到的Lambda缩放层
model.add(tf.keras.layers.Lambda(lambda x: x * 200))

模型运行时，输入数据会按照层的添加顺序依次运算，全连接层的输出会自动传入Lambda层完成乘200的运算，最终得到模型输出。

内容的提问来源于stack exchange，提问作者Adler Müller