构建路缘石模型

此模型是使用 Functional API Model

基本上它是这样工作的(如果你在阅读之前进入下面的“次要问题2”,它可能会更清晰):

• 你有一个 输入张量 (您也可以将其视为“输入数据”)
• 创建(或重用)图层
• 将输入张量传递给层(使用输入“调用”层)
• 你得到一个 输出张量

你继续使用这些张量,直到你创造出 图表 是的。

但这还没有创造出一个“模型”。(你可以训练和使用其他东西)。
你所拥有的只是一个图表,它告诉我们哪些张量去了哪里。

要创建模型,需要定义它的起点和终点。

在这个例子中。

• 他们采取了现有的模式: model = keras.applications.InceptionV3(...)
• 他们想扩展这个模型,所以他们得到了 输出张量 以下内容: model.output
• 他们把这个张量作为 GlobalAveragePooling2D 层
• 他们得到这个层的输出张量为 new_output
• 它们将此作为输入传递到另一层: Dense(N_CLASSES, ....)
• 输出为 新的输出 (此var已被替换,因为它们不想保留其旧值…)

但是,由于它与函数式api一起工作,我们还没有一个模型,只有一个图。为了创建一个模型,我们使用 Model 定义输入张量和输出张量:

new_model = Model(old_model.inputs, new_output)    

现在你有了你的模型。
如果你像我一样在另一个变量中使用它( new_model ,旧模型仍然存在于 model 是的。这些模型共享相同的层,在某种程度上,当你训练其中一个时,另一个也会更新。

问:它如何知道我们想要在中间的其他层?

当你这样做时:

outputTensor = SomeLayer(...)(inputTensor)    

输入和输出之间有连接。(Keras将使用内部TensorFlow机制并将这些张量和节点添加到图中)。输出张量不能在没有输入的情况下存在。整个 InceptionV3 模型从头到尾都是连接的。它的输入张量穿过所有层产生一个输出张量。只有一种可能的方法可以跟踪数据,而图表就是这种方法。

当您获得这个模型的输出并使用它获得进一步的输出时,您的所有新输出都将连接到这个,从而连接到模型的第一个输入。

可能是属性 _keras_history 这是添加到张量是密切相关的,它如何跟踪图形。

所以,做 Model(old_model.inputs, new_output) 自然会遵循唯一可能的方法:图表。

如果尝试使用未连接的张量执行此操作,将得到一个错误。

附带问题1

喜欢从“keras.models”导入。基本上,此模块将从其他模块导入:

• https://github.com/keras-team/keras/blob/master/keras/models.py

注意文件 keras/models.py 进口 模型 从 keras.engine.training 是的。所以,这是一样的。

附带问题2

不是的 new_layer = keras.layers.Dense(...)(prev_layer) 是的。

它是 output_tensor = keras.layers.Dense(...)(input_tensor) 是的。

你在同一条线上做两件事:

• 创建层-使用 keras.layers.Dense(...)
• 使用输入张量调用层以获取输出张量

如果要使用具有不同输入的同一层:

denseLayer = keras.layers.Dense(...) #creating a layer

output1 = denseLayer(input1)  #calling a layer with an input and getting an output
output2 = denseLayer(input2)  #calling the same layer on another input
output3 = denseLayer(input3)  #again   

奖励-创建与序列模型相等的函数模型

如果创建此序列模型:

model = Sequential()
model.add(Layer1(...., input_shape=some_shape))   
model.add(Layer2(...))
model.add(Layer3(...))

你所做的和:

inputTensor = Input(some_shape)
outputTensor = Layer1(...)(inputTensor)
outputTensor = Layer2(...)(outputTensor)    
outputTensor = Layer3(...)(outputTensor)

model = Model(inputTensor,outputTensor)

有什么区别?

好吧,不管你想要什么,函数api模型都是完全免费的。可以创建分支:

out1 = Layer1(..)(inputTensor)    
out2 = Layer2(..)(inputTensor)

可以连接张量:

joinedOut = Concatenate()([out1,out2])   

有了这个,你可以创建 任何东西 你想要各种各样的花哨的东西,分支,门,连接,添加,等等,这是你不能用顺序模型做的。

事实上, Sequential 模型也是 模型 ,但创建的目的是在没有分支的模型中快速使用。

有一种方法可以从一个预先训练过的模型中建立一个模型,你可以建立在这个模型上。

见 https://keras.io/applications/#fine-tune-inceptionv3-on-a-new-set-of-classes 以下内容:

base_model = InceptionV3(weights='imagenet', include_top=False)
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(200, activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=predictions)
for layer in base_model.layers:
    layer.trainable = False
model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

每次通过类似于“x=dense(…”)的操作添加层时,有关计算图的信息都会更新。您可以交互键入此命令以查看其中包含的内容:

x.graph.__dict__

可以看到各种属性,包括关于上一层和下一层的属性。这些是内部实现细节,可能会随着时间的推移而改变。