首页 文章

模型的输出张量必须是Keras张量

提问于
浏览 次
1

我试图从两个模型输出之间的差异中学习模型 . 所以我制作了如下代码 . 但它发生错误读取：

TypeError：模型的输出张量必须是Keras张量 . 找到：Tensor（“sub：0”，shape =（？，10），dtype = float32）

我找到了包括Lambda在内的相关答案，但我无法解决这个问题 . 有谁知道这个问题？可能会看到将张量转换为keras的张量 .

Thx提前 .

from keras.layers import Dense
from keras.models import Model
from keras.models import Sequential

left_branch = Sequential()
left_branch.add(Dense(10, input_dim=784))

right_branch = Sequential()
right_branch.add(Dense(10, input_dim=784))

diff = left_branch.output - right_branch.output

model = Model(inputs=[left_branch.input, right_branch.input], outputs=[diff])
model.compile(optimizer='rmsprop', loss='binary_crossentropy', loss_weights=[1.])

model.summary(line_length=150)
deep-learning keras

2 回答

  • 3

    最好保持一个层完成所有操作，不要减去这样的输出（我不会因为文档的预期不同而冒险隐藏错误）：

    from keras.layers import *

def negativeActivation(x):
    return -x

left_branch = Sequential()
left_branch.add(Dense(10, input_dim=784))

right_branch = Sequential()
right_branch.add(Dense(10, input_dim=784))

negativeRight = Activation(negativeActivation)(right_branch.output) 
diff = Add()([left_branch.output,negativeRight])

model = Model(inputs=[left_branch.input, right_branch.input], outputs=diff)
model.compile(optimizer='rmsprop', loss='binary_crossentropy', loss_weights=[1.])

    当加入这样的模型时，我更喜欢使用 Model 方式来实现它，而不是使用 Sequential ：

    def negativeActivation(x):
    return -x

leftInput = Input((784,))
rightInput = Input((784,))

left_branch = Dense(10)(leftInput) #Dense(10) creates a layer
right_branch = Dense(10)(rightInput) #passing the input creates the output

negativeRight = Activation(negativeActivation)(right_branch) 
diff = Add()([left_branch,negativeRight])

model = Model(inputs=[leftInput, rightInput], outputs=diff)
model.compile(optimizer='rmsprop', loss='binary_crossentropy', loss_weights=[1.])

    有了这个，您可以创建具有相同图层的其他模型，它们将共享相同的权重：

    leftModel = Model(leftInput,left_branch)
rightModel = Model(rightInput,right_branch)
fullModel = Model([leftInput,rightInput],diff)

    如果他们共享同一层，那么训练其中一个会影响其他人 . 例如，您可以在编译之前制作 left_branch.trainable = False （或再次编译以进行训练），在完整模型中训练正确的部分 .

    回复于
  • 0

    我想我解决了这个问题，但这可能是确切的解决方案 . 我添加了一些代码如下：

    diff = left_branch.output - right_branch.output
setattr(diff, '_keras_history', getattr(right_branch.output, '_keras_history'))
setattr(diff, '_keras_shape', getattr(right_branch.output, '_keras_shape'))
setattr(diff, '_uses_learning_phase', getattr(right_branch.output, '_uses_learning_phase'))

    发生错误的原因是diff tensor没有名为_keras_history的attr等等 . 因此故意将它们添加到差异张量可以防止上述错误 . 我检查了原始代码，并且可以学习 .

    回复于

相关问题