首页 文章

在具有Tensorflow张量的Keras模型中使用InputLayer（或输入）有什么好处？

提问于
浏览 次
12

Keras模型可以通过功能API用作Tensor上的Tensorflow函数，如here所述 .

所以我们可以这样做：

from keras.layers import InputLayer

a = tf.placeholder(dtype=tf.float32, shape=(None, 784))

model = Sequential()
model.add(InputLayer(input_tensor=a, input_shape=(None, 784)))
model.add(Dense(32, activation='relu'))
model.add(Dense(10, activation='softmax'))

output = model.output

这是一个张量：

<tf.Tensor 'dense_24/Softmax:0' shape=(?, 10) dtype=float32>

但是，这也没有任何 InputLayer ：

a = tf.placeholder(dtype=tf.float32, shape=(None, 784))

model = Sequential()
model.add(Dense(32, activation='relu', input_shape=(784,)))
model.add(Dense(10, activation='softmax'))

output = model(a)

工作， output 具有与以前相同的形状：

<tf.Tensor 'sequential_9/dense_22/Softmax:0' shape=(?, 10) dtype=float32>

我假设第一种形式允许：

  • 明确地将 inputs 和 outputs 作为模型（相同名称）的属性附加，因此我们可以在其他地方重用它们 . 例如与其他TF操作 .

  • 将作为输入的张量转换为Keras输入，并附加其他元数据（如the source code中所述的 _keras_history ） .

但这不是我们不能用第二种形式做的事情，因此，是否有 InputLayer （和 Input 一个更为明确的）的特殊用法（除了多个输入）？
此外， InputLayer 是棘手的，因为它使用 input_shape 与其他keras层不同：我们指定批量大小（此处为 None ），通常情况并非如此......

python tensorflow deep-learning keras

1 回答

  • 11

    似乎 InputLayer 有一些用途：

    • 首先，它允许您按原样给出纯张力流张量，而不指定它们的形状 . 例如 . 你本来可以写的
    model.add(InputLayer(input_tensor=a))

    这有几个显而易见的原因很好，其中包括更少的重复 .

    • 其次，它们允许您使用单个输入编写非顺序网络，例如
    a
     / \
    /   \
   /     \
conv1   conv2
  |       |

    如果没有 InputLayer ，则需要显式提供 conv1 和 conv2 相同的张量，或者在模型顶部创建任意标识层 . 两者都不是很令人愉快 .

    • 最后，他们删除了"layers that are also inputs"和"normal layers"之间的任意区别 . 如果您使用 InputLayer ，您可以编写代码，其中明确区分哪个层是输入，哪个层执行某些操作 . 这提高了代码的可读性，使重构更容易 . 例如，替换第一层变得像替换任何其他层一样容易，您不需要考虑 input_shape .
    回复于

相关问题