在keras中搭建模型常用的方法有兩種：
（1）一種是較爲簡單的序列模型Sequential（該方法適用於搭建簡單的模型）
（2）一種是使用Keras函數式的API（該方法最爲常用）
無論使用哪種方法在搭建model時都要求使用keras中繼承自Layer的層（例如keras.layers.Conv1D等等），但有時候又需要使用一些keras.layers中沒有的層（例如expand_dim, squeeze或者自己定義的層等）。這時候必須想辦法將其轉換成keras中的Layer，一般有兩種方法，一種是直接定義類class然後繼承Layer，一種是直接使用Lambda函數。這裏主要講使用Lambda函數的方法，該方法比較簡單。
例1：定義一個squeeze層，其中x是上一層的輸出，arguments中的axis參數是傳給keras.backend.squeeze的。
from tensorflow import keras
squeeze = keras.layers.Lambda(keras.backend.squeeze, arguments={'axis': -1})(x)
或者：
squeeze = keras.layers.Lambda(lambda x: keras.backend.squeeze(x, axis=-1))(x)
再或者：
def squeeze_function(x):
return keras.backend.squeeze(x, axis=-1)
squeeze = keras.layers.Lambda(squeeze_function)(x)
-------------------------------------------------------下面的內容可能會誤導大家，謹慎查看
例2：定義一個DepthwiseConv1D層，在keras中並沒有這個層，keras只有SeparableConv1D和Depthwise2D層。（我不確定是否正確僅供參考）
def DepthwiseConv1D(x):
expand_dim = keras.backend.expand_dims(x, axis=2)
depthwiseConv2D = keras.layers.DepthwiseConv2D(kernel_size=[int(expand_dim.shape[1], 1)])(expand_dim)
squeeze_dim = keras.backend.squeeze(depthwiseConv2D, axis=2)
return squeeze_dim
depwiseconv = keras.layers.Lambda(DepthwiseConv1D)(x)
這裏需要注意下擴展與壓縮哪個維度。
比如我的目的是將（batch，500，16）通過depwiseconv1d變爲（batch，1,16）。輸入的tensor格式是（batch, 500, 16），在擴充維度axis=2後變成了（batch，500，1，16）你可以理解爲是一個高度爲500、寬度爲1、深度爲16的一個矩陣，我們使用了depthwiseconv2d（kernel_size=[500, 1], stride=[1, 1]）後變爲（batch，1，1，16），然後壓縮維度axis=2得到我想要的（batch，1，16）。
看到這有人會說爲什麼不去擴展最後一個維度axis=-1，用同樣的kernel和stride也能得到相同的結果，（batch，500，16）->（batch，500，16，1）->（batch，1，16，1）->（batch，1，16）。嗯...我也試過，確實可以，但是有個問題，訓練網絡的速度會比前一個方法慢接近一倍。我猜應該是第二種方法的channel爲1的原因（可能depthwiseconv對多維做了優化但這裏沒能體現出來）。
還有一個問題，使用自己搭建的depthwiseconv1d方法訓練模型收斂很慢，使用自己的depthwiseconv1d加上普通的conv1d效果沒有官方自帶的SeparableConv1D好，如果有大神，還請賜教。