Question

我用这种方式实现了Keras功能模型的快捷方式：

inputs = ...

# shortcut path
shortcut = ShortcutLayer()(inputs)

# main path
outputs = MainLayer()(inputs)

# add main and shortcut together
outputs = Add()([outputs, shortcut])

是否可以将其转换为顺序模型，以便我不需要事先知道inputs？

基本上，我想要实现的目标如下：

def my_model_with_shortcut():
    # returns a Sequential model equivalent to the functional one above

model = my_model_with_shortcut()

inputs = ...
outputs = model(inputs)

Answer 1

我会尝试以下内容;

def my_model_with_shortcut():
    def _create_shortcut(inputs):
         # here create model as in case you know inputs, e.g.:
         aux = Dense(10, activation='relu')(inputs)
         output = Dense(10, activation='relu')(aux)
         return output  
    return _create_shortcut

现在你应该有你的场景。

Answer 2

通常我会创建一个维护模型的可调用对象。当我希望这段重复使用重量相同时，我会这样做。

您可以尝试Marcin的方法，但每次调用该函数时都会创建一个新模型。根据您的目的，这对您来说可能已经足够了。我的回答有这些不同之处：

优点：您可以根据需要重复使用相同重量的相同模型
缺点：第一次输入后，所有新输入都不能有不同的形状（共享权重的结果）

代码：

from keras.models import Model
from keras.layers import *
import numpy as np

class ModelSegment():
    def __init__(self):

        self.shortcutLayer = Dense(10,activation='sigmoid')
        self.mainLayer = Dense(10,activation='sigmoid')
        self.addLayer = Add()

        self.model = None

    def __call__(self,inputs):

        if self.model is None:
            shortcut = self.shortcutLayer(inputs)
            outputs = self.mainLayer(inputs)
            outputs = self.addLayer([outputs,shortcut])

            #creating this model is not really necessary
            #you can skip the following code line and discard the if clause
            #but since you stated you wanted a "model" I added it here
            self.model = Model(inputs,outputs)

            return outputs
        else:
            return self.model(inputs)



segment = ModelSegment()

inputTensor = Input((13,))
inputTensor2 = Input((13,))
out = segment(inputTensor)
out2 = segment(inputTensor2)

m1 = Model(inputTensor,out)
m2 = Model(inputTensor2,out2)

m1.summary()
m2.summary()

w1 = m1.get_weights()
w2 = m2.get_weights()

for arr1,arr2 in zip(w1,w2):
    print((arr1==arr2).all())

使用Keras Sequential模型实现快捷方式

2 个答案: