问题标签 [keras-layer]

Keras 中的哪些层可以作为第一层来接收多维特征？我想使用具有 11 个通道的 1275 个特征的密集层，但看起来我只能将卷积层或循环层用于 2 维或更多维的特征。那是对的吗？

我正在使用 Keras 进行建模工作，我想知道是否可以通过索引或名称删除某些图层？目前我只知道model.pop()可以做这项工作，但它只是删除了最近添加的图层。另外，layers是 of 的类型，tensorvariable我不知道如何删除可以在numpy arrayor中完成的某些元素list。顺便说一句，我正在使用 Theano 后端。

我目前正在学习使用 Keras 实现分层训练模型。我的解决方案复杂且耗时，有人可以给我一些建议以简单的方式完成吗？也有人可以解释 Keras 的拓扑结构，尤其是 之间的关系nodes.outbound_layer，nodes.inbound_layer以及它们如何与张量相关联：input_tensors和output_tensors？从github 上的拓扑源代码，我很困惑：

input_tensors[i] == inbound_layers[i].inbound_nodes[node_indices[i]].output_tensors[tensor_indices[i]]

为什么inbound_nodescontains output_tensors，我不清楚它们之间的关系....如果我想删除 的某些位置的图层API model，我应该首先删除什么？另外，在某些地方添加图层时，我应该先做什么？

这是我对分层训练模型的解决方案。我可以在 Sequential 模型上做到这一点，现在尝试在API model：

为此，我只需在完成之前的训练并重新编译（model.compile()）和重新拟合（model.fit()）后添加一个新层。

由于 Keras 模型需要输出层，所以我总是会添加一个输出层。结果，每次我想添加一个新层时，我都必须删除输出层然后再添加回来。这可以使用 来完成model.pop()，在这种情况下model必须是keras.Sequential()模型。

该Sequential()模型支持许多有用的功能，包括model.add(layer). 但是对于使用模型 API: 的自定义模型model=Model(input=...., output=....)，这些pop()或add()功能不受支持，实现它们需要一些时间，而且可能不方便。

我正在尝试使用 Keras 构建有状态的 LSTM，但我不明白如何在 LSTM 运行之前添加嵌入层。问题似乎是stateful标志。如果我的网络不是有状态的，则添加嵌入层非常简单并且有效。

一个没有嵌入层的工作状态 LSTM 看起来像这样：

添加嵌入层时，我将batch_input_shape参数移动到嵌入层，即只有第一层需要知道形状？像这样：

我知道的例外是Exception: Input 0 is incompatible with layer lstm_1: expected ndim=3, found ndim=4

所以我现在被困在这里。将词嵌入组合到有状态 LSTM 中的技巧是什么？

Keras 代码供参考。我的每个输入实例都是一个 200 维向量，我希望输入层上的节点数等于 200。“100”在输入密集层中代表什么？

我通过执行以下操作从保存的文件加载自动编码器，结构如下：

包括 在内的前四层InputLayer构成了编码器部分。我想知道是否有一种快速的方法可以抓住这四层。到目前为止，我遇到的唯一可能的解决方案是：

^ 并为另外两层手动执行此操作。我希望有一种方法可以更有效地提取前四层。特别是因为该.summary()方法会吐出层摘要。

编辑 1（可能的解决方案）：我已经找到了以下解决方案，但我希望能有更高效的解决方案（更少的代码）。

我在我的机器上运行关于 CNN 的代码，但它得到了一个错误反馈。

我的代码片段：

我也尝试：

错误是：

如何解决这个问题呢？

我正在尝试在 Keras 中实现反卷积。我的模型定义如下：

我想对第一个卷积层给出的输出执行反卷积或转置卷积，即convolution2d_1。

假设我们在第一个卷积层之后拥有的特征图X是其中 9 是我通过该层(9, 32, 32, 32)的维度图像的数量。Keras函数32x32得到的第一层的权重矩阵。get_weights()权重矩阵的维数为(32, 3, 3, 2)。

我用于执行转置卷积的代码是

但出现错误：

谁能告诉我哪里出错了？

我正在使用 Resnet50 进行迁移学习。后端是张量流。我试图在 Resnet 上再堆叠三层，但失败并出现以下错误：

堆叠两个模型的代码如下：

我想制作一个自定义层，它应该将密集层的输出与 Convolution2D 层融合。

这个想法来自这篇论文，这里是网络：

融合层尝试将 Convolution2D 张量 ( 256x28x28) 与密集张量 ( 256) 融合。这是它的方程式：

y_global => Dense layer output with shape 256 y_mid => Convolution2D layer output with shape 256x28x28

以下是有关 Fusion 过程的论文的描述：

我最终制作了一个新的自定义图层，如下所示：

我认为我的__init__andbuild方法是正确的，但我不知道如何在层中将y_global（256 个维度）与y-mid（256x28x28 维度）连接起来，call以便输出与上述等式相同。

我怎样才能在方法中实现这个方程call？

非常感谢...

更新：成功整合这两层数据的任何其他方式对我来说也是可以接受的......它不一定是论文中提到的方式，但它至少需要返回一个可接受的输出......