在keras中搭建模型常用的方法有两种：
（1）一种是较为简单的序列模型Sequential（该方法适用于搭建简单的模型）
（2）一种是使用Keras函数式的API（该方法最为常用）
无论使用哪种方法在搭建model时都要求使用keras中继承自Layer的层（例如keras.layers.Conv1D等等），但有时候又需要使用一些keras.layers中没有的层（例如expand_dim, squeeze或者自己定义的层等）。这时候必须想办法将其转换成keras中的Layer，一般有两种方法，一种是直接定义类class然后继承Layer，一种是直接使用Lambda函数。这里主要讲使用Lambda函数的方法，该方法比较简单。
例1：定义一个squeeze层，其中x是上一层的输出，arguments中的axis参数是传给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)
-------------------------------------------------------下面的内容可能会误导大家，谨慎查看
例2：定义一个DepthwiseConv1D层，在keras中并没有这个层，keras只有SeparableConv1D和Depthwise2D层。（我不确定是否正确仅供参考）
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)
这里需要注意下扩展与压缩哪个维度。
比如我的目的是将（batch，500，16）通过depwiseconv1d变为（batch，1,16）。输入的tensor格式是（batch, 500, 16），在扩充维度axis=2后变成了（batch，500，1，16）你可以理解为是一个高度为500、宽度为1、深度为16的一个矩阵，我们使用了depthwiseconv2d（kernel_size=[500, 1], stride=[1, 1]）后变为（batch，1，1，16），然后压缩维度axis=2得到我想要的（batch，1，16）。
看到这有人会说为什么不去扩展最后一个维度axis=-1，用同样的kernel和stride也能得到相同的结果，（batch，500，16）->（batch，500，16，1）->（batch，1，16，1）->（batch，1，16）。嗯...我也试过，确实可以，但是有个问题，训练网络的速度会比前一个方法慢接近一倍。我猜应该是第二种方法的channel为1的原因（可能depthwiseconv对多维做了优化但这里没能体现出来）。
还有一个问题，使用自己搭建的depthwiseconv1d方法训练模型收敛很慢，使用自己的depthwiseconv1d加上普通的conv1d效果没有官方自带的SeparableConv1D好，如果有大神，还请赐教。