Keras將兩個模型連接到一起的實現(xiàn)方法

發(fā)布時間：2020-07-22 14:33:11 來源：億速云閱讀：387 作者：小豬欄目：開發(fā)技術(shù)

這篇文章主要講解了Keras將兩個模型連接到一起的實現(xiàn)方法，內(nèi)容清晰明了，對此有興趣的小伙伴可以學(xué)習(xí)一下，相信大家閱讀完之后會有幫助。

神經(jīng)網(wǎng)絡(luò)玩得越久就越會嘗試一些網(wǎng)絡(luò)結(jié)構(gòu)上的大改動。

先說意圖

有兩個模型：模型A和模型B。模型A的輸出可以連接B的輸入。將兩個小模型連接成一個大模型，A-B，既可以同時訓(xùn)練又可以分離訓(xùn)練。

流行的算法里經(jīng)常有這么關(guān)系的兩個模型，對GAN來說，生成器和判別器就是這樣子；對VAE來說，編碼器和解碼器就是這樣子；對目標(biāo)檢測網(wǎng)絡(luò)來說，backbone和整體也是可以拆分的。所以，應(yīng)用范圍還是挺廣的。

實現(xiàn)方法

首先說明，我的實現(xiàn)方法不一定是最佳方法。也是實在沒有借鑒到比較好的方法，所以才自己手動寫了一個。

第一步，我們有現(xiàn)成的兩個模型A和B；我們想把A的輸出連到B的輸入，組成一個整體C。

第二步，重構(gòu)新模型C；我的方法是：讀出A和B各有哪些layer，然后一層一層重新搭成C。

可以看一個自編碼器的代碼(本人所編寫)：

class AE:
 def __init__(self, dim, img_dim, batch_size):
  self.dim = dim
  self.img_dim = img_dim
  self.batch_size = batch_size
  self.encoder = self.encoder_construct()
  self.decoder = self.decoder_construct()
 
 def encoder_construct(self):
  x_in = Input(shape=(self.img_dim, self.img_dim, 3))
  x = x_in
  x = Conv2D(self.dim // 16, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
  x = BatchNormalization()(x)
  x = LeakyReLU(0.2)(x)
  x = Conv2D(self.dim // 8, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
  x = BatchNormalization()(x)
  x = LeakyReLU(0.2)(x)
  x = Conv2D(self.dim // 4, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
  x = BatchNormalization()(x)
  x = LeakyReLU(0.2)(x)
  x = Conv2D(self.dim // 2, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
  x = BatchNormalization()(x)
  x = LeakyReLU(0.2)(x)
  x = Conv2D(self.dim, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
  x = BatchNormalization()(x)
  x = LeakyReLU(0.2)(x)
  x = GlobalAveragePooling2D()(x)
  encoder = Model(x_in, x)
  return encoder
 
 def decoder_construct(self):
  map_size = K.int_shape(self.encoder.layers[-2].output)[1:-1]
  # print(type(map_size))
  z_in = Input(shape=K.int_shape(self.encoder.output)[1:])
  z = z_in
  z_dim = self.dim
  z = Dense(np.prod(map_size) * z_dim)(z)
  z = Reshape(map_size + (z_dim,))(z)
  z = Conv2DTranspose(z_dim // 2, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
  z = BatchNormalization()(z)
  z = Activation('relu')(z)
  z = Conv2DTranspose(z_dim // 4, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
  z = BatchNormalization()(z)
  z = Activation('relu')(z)
  z = Conv2DTranspose(z_dim // 8, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
  z = BatchNormalization()(z)
  z = Activation('relu')(z)
  z = Conv2DTranspose(z_dim // 16, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
  z = BatchNormalization()(z)
  z = Activation('relu')(z)
  z = Conv2DTranspose(3, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
  z = Activation('tanh')(z)
  decoder = Model(z_in, z)
  return decoder
 
 def build_ae(self):
  input_x = Input(shape=(self.img_dim, self.img_dim, 3))
  x = input_x
  for i in range(1, len(self.encoder.layers)):
   x = self.encoder.layers[i](x)
  for j in range(1, len(self.decoder.layers)):
   x = self.decoder.layers[j](x)
  y = x
  auto_encoder = Model(input_x, y)
  return auto_encoder

模型A就是這里的encoder，模型B就是這里的decoder。所以，連接的精髓在build_ae()函數(shù)，直接用for循環(huán)讀出各層，然后一層一層重新構(gòu)造新的模型，從而實現(xiàn)連接效果。因為keras也是基于圖的框架，這個操作并不會很費時，因為沒有實際地計算。

補充知識：keras得到每層的系數(shù)

使用keras搭建好一個模型，訓(xùn)練好，怎么得到每層的系數(shù)呢：

weights = np.array(model.get_weights())
print(weights)
print(weights[0].shape)
print(weights[1].shape)

這樣系數(shù)就被存放到一個np中了。

看完上述內(nèi)容，是不是對Keras將兩個模型連接到一起的實現(xiàn)方法有進一步的了解，如果還想學(xué)習(xí)更多內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道。

向AI問一下細節(jié)

Keras將兩個模型連接到一起的實現(xiàn)方法

猜你喜歡

最新資訊

相關(guān)推薦

相關(guān)標(biāo)簽