1

我想在 Keras 中创建一个由 2 个卷积层、一个展平层和一个密集层组成的模型。这将是一个具有共享权重的模型，因此没有任何预定义的输入层。

可以使用顺序方式进行：

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu))
model.add(tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu))
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(200,activation=tf.nn.relu))

但是，使用 Functional API 会产生 TypeError：

model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)
model2 = tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Flatten()(model2)
model2 = tf.keras.layers.Dense(200,activation=tf.nn.relu)(model2)

错误 ：

TypeError: Inputs to a layer should be tensors. Got: <tensorflow.python.keras.layers.convolutional.Conv2D object at 0x7fb060598100>

这样做是不可能的，还是我错过了什么？

4

2 回答 2

2

keras 顺序 api 被设计为更易于使用，因此不如函数式 api 灵活。这样做的好处是可以通过传递给它的任何数据形状自动推断输入“层”形状。缺点是这个更容易使用的模型被简化了，所以你不能做像使用多个输入这样的事情。

来自keras文档：

在以下情况下不适合使用顺序模型：

  • 您的模型有多个输入或多个输出
  • 您的任何层都有多个输入或多个输出
  • 您需要进行图层共享
  • 您想要非线性拓扑（例如残差连接、多分支模型）

功能 api 被设计为更灵活，即多个输入，因此它不会为您进行任何类型的自动推理，因此会出现错误。在这种情况下，您必须显式传递一个输入层。对于您的用例，它不会自动推断形状可能看起来很奇怪，但是当您考虑更广泛的用例场景时，它是有意义的。

所以第二种情况应该是：

model2 = tf.keras.layers.Input((10,3,2)) # specified input layer
model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Flatten()(model2)
model2 = tf.keras.layers.Dense(200,activation=tf.nn.relu)(model2)

更新

如果你想创建两个独立的模型并将它们连接在一起，你应该使用功能 API，然后由于它的限制，你必须使用输入层。因此，您可以执行以下操作：

import tensorflow as tf
from tensorflow.keras.layers import Input, Flatten, Dense, concatenate, Conv2D
from tensorflow.keras.models import Model

input1 = Input((10,3,2))
model1 = Dense(200,activation=tf.nn.relu)(input1)

input2 = Input((10,3,2))
model2 = Dense(200,activation=tf.nn.relu)(input2)

merged = concatenate([model1, model2])

merged = Conv2D(10,3,2,'valid',activation=tf.nn.relu)(merged)
merged = Flatten()(merged)
merged = Dense(200,activation=tf.nn.relu)(merged)

model = Model(inputs=[input1, input2], outputs=merged)

上面我们有两个单独的输入，然后是两个 Dense 层 - 您可以根据需要构建这些单独的线，然后将它们合并在一起以通过卷积层，您需要使用一个tf.keras.layers.concatenate层，然后您可以继续联合模型从那里。将整个事物包装在模型对象中，然后允许您访问训练和推理方法，如拟合/预测等。

于 2021-04-02T18:12:49.587 回答
0

链接通过层keras传播来工作tensors。因此，在您的第二个示例中，开头model2是 a 的实例，keras.layers.Layer而不是 a的实例，tf.Tensor这就是您收到错误的原因。

Input创建一个张量，然后可以使用它来链接图层。因此，如果没有特定原因，您只需添加一个：

model2 = tf.keras.layers.Input((10,3,2))
model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)(model2)
于 2021-04-02T18:08:03.527 回答