Keras (共享层)中的两个输入和单独输出到一个模型
Keras是一种流行的深度学习框架，它提供了简洁而强大的API，用于构建和训练神经网络模型。在Keras中，共享层是一种特殊的层，可以在多个模型中重复使用。
在Keras中，通过使用共享层，可以将多个输入分别传递到不同的模型中，并将它们的输出合并为一个输出。这对于处理多模态数据（如图像和文本）或需要多个输入的复杂问题非常有用。
在Keras中，通过以下方式定义具有两个输入和单独输出的模型：
from keras.layers import Input, Dense
from keras.models import Model
# 定义输入层
input_1 = Input(shape=(input_shape_1,))
input_2 = Input(shape=(input_shape_2,))
# 定义共享层
shared_layer = Dense(units=shared_units, activation=shared_activation)
# 将共享层应用于输入层
shared_output_1 = shared_layer(input_1)
shared_output_2 = shared_layer(input_2)
# 定义单独的输出层
output_1 = Dense(units=output_units_1, activation=output_activation)(shared_output_1)
output_2 = Dense(units=output_units_2, activation=output_activation)(shared_output_2)
# 构建模型
model = Model(inputs=[input_1, input_2], outputs=[output_1, output_2])在这个例子中，我们首先定义了两个输入层 input_1 和 input_2，然后定义了一个共享层 shared_layer，并将其应用于两个输入层。接下来，我们定义了两个独立的输出层 output_1 和 output_2，它们分别基于共享层的输出。最后，我们使用 Model 类构建了一个包含两个输入和单独输出的模型。
这种设计允许我们在训练和推理过程中同时使用两个输入，并根据共享层的学习结果生成独立的输出。这对于许多任务，如图像和文本的多模态情感分析、视觉问答等非常有用。
在腾讯云中，与Keras相关的产品包括腾讯云的AI Lab（https://cloud.tencent.com/product/ai-lab）和深度学习服务（https://cloud.tencent.com/product/tensorflow）等。这些产品提供了丰富的机器学习和深度学习资源，以支持Keras等深度学习框架的使用和部署。
相关·内容
我正在尝试一个分别连接表示和分类部分的TensorFlow模型。然而，我的分类器使用来自相同表示网络的两个输入，当我编码这个体系结构时，我收到错误：“传递给模型的输入列表是多余的。所有输入应该只出现一次。”这是我拥有的代码。 import tensorflow as tf
def representation():
inp = tf.keras.Input(shape=[100, 300])
x = tf.keras.layers.Conv1D(300, 10, 1, 'same')(inp)
output = tf.keras.layers.Con
浏览 17提问于2020-09-21得票数 0
我有两个具有共享层的keras模型，我希望将它们的权重保存在hd5文件中。如果我单独保存两个模型，我认为使用两倍的磁盘空间将共享层保存两次。如何将其保存在唯一的文件中？ 谢谢！！
浏览 10提问于2018-12-26得票数 8
回答已采纳
我有一款卡拉斯的模型，有一种定制的丢失。这个损失是使用实际的和预测的标签(或值)来计算的，并且也是基于一些输入值。
(例如，根据奖励或优势来定义损失，就像强化学习环境中的政策梯度方法那样)
示例代码：
注:损失计算中使用的输入值为“in2”，变量为input_2。
input_1=keras.layers.Input(...,name="in1")
output= keras.layers.Dense(...)(input_1)
input_2=keras.layers.Input(...,name="in2")
def loss_func(y_true,y
浏览 0提问于2018-05-03得票数 2
1回答
我想使用Tensorflow和Keras在预先训练好的模型中添加新的层。问题是，这些新的层不是要添加到模型的顶部，而是在开始时添加。我想创建一个三连体模型，它采用3种不同的输入和3种不同的输出，使用预先训练的网络作为模型的核心。为此，我需要在模型的开头插入3个新的输入层。 默认路径是仅链接层和模型，但此方法将预训练模型视为新层(当创建具有新输入和预训练模型的新模型时，新模型只有contains4层、3个输入层和整个预训练模型)： input_1 = tf.keras.layers.Input(shape = (224,224,3))
input_2 = tf.keras.layers.Inp
浏览 73提问于2019-06-25得票数 1
回答已采纳
2回答
我试图从两个模型输出之间的差异中学习一个模型。所以我做了如下代码。但发生了错误：
TypeError:将张量输出到模型必须是Keras张量。发现:张量(“子:0”，shape=(?，10)，dtype=float32)
我已经找到了相关的答案，包括lambda，但我无法解决这个问题。有人知道这个问题吗？可以看到将张量转换为角角张量。
提前结束。
from keras.layers import Dense
from keras.models import Model
from keras.models import Sequential
left_branch = Sequentia
浏览 4提问于2017-04-26得票数 2
回答已采纳
1回答
我试着用Keras做一个卷积神经网络。我想要两个模型，它们接受不同的输入，但共享相同的体系结构和权重--所需的体系结构如下所示。如何使用Keras定义这样的模型？
我试图按以下方式实现这一点：
from keras.layers import Input,Conv2D,Activation,Flatten,Concatenate, MaxPooling2D, Dense
from keras.models import Model
def combined_model():
a = Input(shape=(100,100,None)) ## should not cha
浏览 5提问于2020-06-14得票数 1
回答已采纳
1回答
我有两个Keras模型(functional )共享一些层。我想知道，如果我训练第一个模型，第二个将得到它的共享层的权重自动更新，或者我应该手动加载权重。
我从中知道，层可以在同一个模型中共享，但是对于这种特殊情况，我没有任何线索。
我还想知道，具有共享层的Keras模型是共享相同的计算图，还是有独立的计算图。
浏览 1提问于2018-06-25得票数 3
回答已采纳
1回答
我有一个在Keras中构建的模型，它可以是顺序的，也可以是功能性的。模型可以通过model变量访问。我想要实现的方法，将贯穿模型从输出到输入，并做一些与模型的权重。
有任何方法可以获得特定层的前一层吗？我想做这样的事情：
x = <some number>
layer_x = model.layers[x]
predecessor_layers = ???
浏览 1提问于2018-06-12得票数 5
回答已采纳
1回答
Keras中的多任务学习
、、、、
我试图在Keras中实现共享层。我确实看到Keras有keras.layers.concatenate，但是从文档中我并不确定它的使用情况。我可以使用它来创建多个共享层吗？使用Keras实现简单共享神经网络的最佳方法是什么？
编辑1:注意，所有3个NNs的输入、输出和共享层的所有形状都是相同的。在三个NNs中有多个共享层(和非共享层)。每个NN的颜色层都是独一无二的，并且具有相同的形状。
基本上，图代表了3个相同的NNs和多个共享隐藏层，然后是多个非共享隐藏层.
我不知道如何共享多个层，在Twitter示例中，只有一个共享层(在API文档中)。
编辑2:基于风水的有益评论的，这是我最
浏览 0提问于2018-02-05得票数 2
回答已采纳
1回答
我正在使用Keras (tensorflow后端)，并想知道如何在Keras序列模型中添加多个嵌入层。
更具体地说，我的数据集中有几个列，它们有分类值，我考虑过使用一种热编码，但我已经确定分类项的数量在数百个列中，从而导致了一组大而过于稀疏的列。在寻找解决方案时，我发现Keras的嵌入层似乎非常巧妙地解决了这个问题。但是，大多数示例(和Keras文档)都说明了一个嵌入层非常简单的情况。
不幸的是，我不知道如何将多个嵌入层作为输入集成到单个模型中。
我的代码看起来是这样的，但它不起作用，而且我猜测多个嵌入层的作用是顺序的(第一个嵌入层是输入第二个等等)，而不是模型的多个输入源：
model =
浏览 0提问于2018-06-12得票数 6
回答已采纳
1回答
是否有一种将节点添加到现有Keras模型中的层的方法？如果是的话，最有效的方法是什么？
此外，是否有可能做到同样的，但对层？也就是说，在现有的Keras模型中添加一个新层(例如，在输入层之后)。
我所知道的一种方法是通过迭代和克隆模型的每个层来使用，以便创建原始模型的“副本”，并进行所需的更改，但这是完成此任务的最有效方法吗？
浏览 2提问于2020-08-10得票数 2
回答已采纳
我想要创建一个模型，由两个卷积，一个扁平，和一个密集的层在Keras。这将是一个具有共享权重的模型，因此没有任何预定义的输入层。
可以使用顺序方式：
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu))
model.add(tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu))
model.add(tf.keras.layers.Fl
浏览 3提问于2021-04-02得票数 1
回答已采纳
在我的TensorFlow模型中，我有一些数据，在它进入几个完全连接的层之前，我将它们输入到CNN堆栈中。我已经用Keras的Sequential模型实现了这一点。然而，我现在有一些不应该进入CNN的数据，而是直接进入第一个完全连接的层，因为这些数据包含一些值和标签，这些值和标签是输入数据的一部分，但该数据不应该进行卷积，因为它不是图像数据。 这样的事情可以用tensorflow.keras实现吗?或者我应该用tensorflow.nn来实现呢？据我所知，Keras的sequential models是输入在一端，从另一端出来，中间没有特殊的连接。 为了做到这一点，我必须在最后一个CNN层的
浏览 9提问于2019-10-10得票数 1
1回答
我正在建立一个简单的模型，它预测输入中给定的两个值的和。我还将数组简化为形状(2 )，但模型仍然预测了两个值。在预测函数中，我得到的形状是(4,2)而不是(4,1)。为什么会发生这种事？
xs = np.array([[[[1.0],[2.0]]],[[[2.0],[6.0]]],[[[3.0], [4.0]]],[[[5.0], [6.0]]]],dtype=float)
ys = np.array([[3.0],[8.0],[7.0],[11.0]], dtype=float)
tf.random.set_seed(12)
model=tf.keras.Seq
浏览 3提问于2022-07-16得票数 0
1回答
如何处理Keras层的重复输入？
、、、、
我有一个Keras模型，它有两个输入层。
(20,300).five 是shape 的推特，其他的是shape (5,20,300)。但是，对于所有的培训示例，此输入都是相同的。
换句话说，对于每个培训步骤，将有一个不同的tweet (第一个输入)和相同的五个tweet(第二个输入)。我的第二个具有(5,20,300)形状的输入非常大，可以重复num_samples多次，然后用作Keras模型的输入层。我需要一种方法，使第二个输入使用在keras模型，但没有重复的num_samples时间。
有办法处理这种类型的输入吗？
浏览 6提问于2020-03-02得票数 0
回答已采纳
2回答
Keras序列模型输入层
、、、、
在Keras中创建顺序模型时，我知道您在第一层中提供了输入形状。这个输入形状是否构成一个隐式输入层？
例如，下面的模型显式地指定了两个密集层，但实际上这是一个由输入形状所隐含的一个输入层、一个隐藏的密度层和32个神经元组成的三个层组成的模型，然后是一个具有10个可能输出的输出层吗？
model = Sequential([
Dense(32, input_shape=(784,)),
Activation('relu'),
Dense(10),
Activation('softmax'),
])
浏览 0提问于2017-10-04得票数 19
回答已采纳
1回答
在Keras中强制对称
、、、
我正在寻找一种在Keras中为函数创建神经网络模型的方法，它是对称的，与其输入的交换有关。为了简单起见，让我们假设感兴趣的函数依赖于两个变量x,y，并返回一个标量f=f(x,y)。此外，我们知道f(x,y)=f(y,x)适用于任何x,y。为了确保这种对称性完全由我的Keras神经网络模型再现，选择的方法是什么？
显然，我可以用对称的数据来训练模型，但是我要寻找的是一种将这种对称性“硬编码”到模型中的方法。
我知道，这个问题似乎是很基本的。对不起，如果有一个明显的答案，我忽略了这个问题，并感谢您的帮助提前！
浏览 4提问于2019-07-03得票数 2
回答已采纳
1回答
我很难理解我想要创造的模型。
我有几个问题要问，所以我先解释一下我的模型，以及我想做什么：
我已经创建了数据序列(模型的输入和输出)，每个步骤有7个时间步骤，因此输入将是某一周的天数的值，输出是下一周的天数的值(**因此，我的模型的input1的输入形状与输出**相同)。
我还准备了另一个输入列表，它有一些额外的特性，比如假日标志和天气条件，用于**下周**，因此模型的第二个input2具有每个示例的形状(7,7)。
以下是完整的示范摘要：
📷
在lstm层和一个完全连接的NN之后，我尝试将两个输入连接在一起，基本上，我想将input2连接到层dense_1的输出。因此，我将(7,1
浏览 0提问于2020-10-15得票数 2
回答已采纳
我在keras中有两个受过训练的模型，我想把一个放在另一个上面，形成一个模型。我想把我受过训练的模特组合成一个。
我认为merge(Merge)是用于水平堆叠模型，而我想要垂直堆叠keras函数API模型。
PS :输出1的形状与输入2相同。
浏览 1提问于2018-04-30得票数 5
回答已采纳
1回答
我想在具有多个输入的Keras模型上执行交叉验证。因此，我尝试了KerasClassifier。这对于只有一个输入的正常序列模型很有效。然而，当使用functional并扩展到两个输入时，sklearn的cross_val_predict似乎不能像预期的那样工作。
def create_model():
input_text = Input(shape=(1,), dtype=tf.string)
embedding = Lambda(UniversalEmbedding, output_shape=(512, ))(input_text)
dense = Dense(
浏览 19提问于2019-11-15得票数 2
回答已采纳
在TensorFlow Functional指南中，有一个示例显示了使用相同的图层创建多个模型。()
encoder_input = keras.Input(shape=(28, 28, 1), name='img')
x = layers.Conv2D(16, 3, activation='relu')(encoder_input)
x = layers.Conv2D(32, 3, activation='relu')(x)
x = layers.MaxPooling2D(3)(x)
x = layers.Conv2D(32, 3, activ
浏览 0提问于2019-09-05得票数 8
回答已采纳
我在训练两个模型时遇到了一些困难，第一个模型的输出是第二个模型的输入(第二个模型是单独训练的)。 我已经附上了训练过程和模型的示意图。训练模拟器模型的第一部分是可以的。为了训练生成器，我正确地连接了两个模型，但结果与预期相去甚远。我的问题是:我应该定义一个自定义的训练循环吗？以及如何定义正确的训练循环？ 下面是两个连接的模型的总体架构 input1 = keras.Input(shape=(100,), name='noise')
input2 = keras.Input(shape=(14,), name='contrast_vector')
[imag
浏览 56提问于2021-10-01得票数 0
DenseNet预训练模型(VGG、ResNet、Keras等)在具有输入形状(224,224，3)的ImageNet上训练后建立权重。但是，Keras允许我们指定任何其他输入形状(宽度和高度不应小于32)。当输入形状不是(224,224，3)时，Keras如何确定第一个隐藏层的初始权重？
浏览 0提问于2021-10-22得票数 1
我想在Keras模型中完成等效的tf.depth_to_space。具体而言，Keras模型中的数据形状为HxWx4(即深度为4)，我希望将数据转换为输出大小为HxWx1，映射为将4个输入通道视为2x2块；即，
输入位置为y，x，k
输出位置为2*y+(k//2)，2*x+(k%2)，1
我知道我可以用以下方法得到正确的形状：
outputs = keras.layers.Reshape((H*2,W*2,1), input_shape=(H,W,4))(inputs)
但我认为地图会是
输入位置为y，x，k
Linear_addess是y*W*4+x*4+k
输出位置为线性加法// (H*2
浏览 0提问于2019-07-18得票数 1
1回答
我要使用这个TensorFlow来混合张量和Keras张量：
但是，当输出需要是Keras张量而不是TensorFlow张量时，问题发生在最后一层。有什么简单的方法可以直接转化吗？还是有一个Keras函数可以进行双线性调整？
finalOut = predict_flow2
finalOut = tf.image.resize_bilinear(finalOut, tf.stack([h, w]), align_corners=True)
model = Model(input=input, output=finalOut)
model.summary()
错误信息：
TypeError:将
浏览 2提问于2018-02-23得票数 5
1回答
我有两种类似结构的模型(model_a，model_b) (VGG16架构有一个替换的顶层块)。我需要连接两个模型的最后一层的输出，以便作为输入发送到一个注意机制。
我运行以下代码行以进行连接：
merged = Concatenate()([model_a.layers[-1].layers[-1], model_b.layers[-1].layers[-1]])
(model_a.layers[-1]是一个顺序对象的顶部块，model_a.layers[-1].layers[-1]是一个密集的层。)
但是，当我尝试这样做时，我会收到以下错误：
调用层concatenate_8的输入不是符号
浏览 4提问于2020-05-07得票数 0
我现在开始学习神经网络，尤其是时间序列模型的LSTM。 我读过一篇论文(convex based LSTM)，其中有人使用并行LSTM，然后将它们的输出组合在一起。现在我想知道如何实现这种类型的网络。我知道，在Keras中的LSTM构造函数中的参数“unit”是输出的大小，因为最后是元素乘法。但是，我不能确定具有N个单元的Keras-LSTM层是否与具有N个LSTM的层相同，每个LSTM具有一个单元。 换句话说:假设有两个LSTM(一个有N个单元，另一个有1个单元)，它们获得相同的输入并生成output1 (长度N)和output2 (长度1)。如果相应地分配权重，一个带有units=N+1
浏览 24提问于2019-12-09得票数 0
回答已采纳
1回答
我一直在学习“数据科学”关于word2vec和跳过图模型的教程，但是我偶然发现了一个我无法解决的问题，尽管我对它进行了大量的搜索并尝试了多个不成功的解决方案。
它向您展示了如何构建跳过图模型体系结构的步骤，由于使用了来自keras.layers的合并层，所以似乎不推荐使用这个步骤。
我试图将他的代码(在Keras的顺序API中实现)转换为Functional，用keras.layers.Dot层替换它来解决合并层的不推荐问题。但是，我仍然停留在将两个模型(word和context)合并到最终模型中的步骤中，其架构必须如下所示：
下面是作者使用的代码：
from keras.laye
浏览 1提问于2018-10-10得票数 3
回答已采纳
1回答
我有一个执行两个任务的Keras LSTM多任务模型。一个是序列标签任务(所以我预测每个令牌一个标签)。另一种是使用堆叠在LSTM隐藏状态上的CNN对整个序列进行全局分类任务。
在我的设置中(不要问为什么)，我只需要在训练期间使用CNN任务，但它预测的标签对最终产品没有任何用处。因此，在Keras上，可以在不指定输入序列长度的情况下训练LSTM模型。如下所示：
l_input = Input(shape=(None,), dtype="int32", name=input_name)
但是，如果我添加堆叠在LSTM隐藏状态上的CNN，我需要为模型设置固定的序列长度。
l_inp
浏览 1提问于2018-12-01得票数 1
1回答
Keras扩展嵌入层输入
、、、
带有嵌入的keras序列模型需要从当前已知的权重开始重新训练。 在所提供的(文本)训练数据上训练Keras序列模型。训练数据由(定制的)标记器标记化。模型中第一层(嵌入层)的输入维度是标记器已知的单词数。 几天后，额外的训练数据就可用了。分词器需要在这个新数据上重新调整，因为它可能包含额外的单词。这意味着嵌入层的输入维度发生了变化，因此先前训练的模型不再可用。 self.model = Sequential()
self.model.add(Embedding(tokenizer.totalDistinctWords + 1,
hiddenSize + 1, batch_size=
浏览 10提问于2019-02-06得票数 1
我是在读了类似的问题和答案后写这篇文章的，这些问题和答案在我的情况下都不起作用。你可能注意到我在第一层定义了输入形状。 我在Keras创建了一个非常小的CNN，如下所示： import tensorflow as tf
class MyNet(tf.keras.Model):
def __init__(self):
super(MyNet, self).__init__()
self.conv1 = tf.keras.layers.Conv2D(32, 5, strides = (2,2), data_format = 'channels_
浏览 55提问于2020-01-09得票数 0
2回答
是否有可能预测特定输出的"Keras神经网络“的输入？
例如，我有一个具有28输入和3输出的数据集。所以，我在Keras训练过模型，效果很好。现在，我必须在输出中输入特定的值，我必须预测输出的输入是什么。
浏览 2提问于2020-03-11得票数 0
当我通过声明性方法而不是函数方法定义我的模型时，Keras给出了不同的结果。这两个模型看起来是等价的，但是使用".add()“语法是可行的，而使用声明性语法会产生错误--每次都有不同的错误，但通常是这样的：A target array with shape (10, 1) was passed for an output of shape (None, 16) while using as loss `mean_squared_error`. This loss expects targets to have the same shape as the output.输入形状的自动转换
浏览 7提问于2019-11-05得票数 0
回答已采纳
2回答
关于层数的Keras混淆
、、、、
我对Keras模型中使用的层的数量感到有点困惑。在这个问题上，文档相当不透明。
根据Jason Brownlee的说法，第一层从技术上讲由两层组成，输入层和隐藏层，输入层由input_dim指定。请参阅上的第一个问题。
在所有的Keras文档中，第一层通常被指定为model.add(Dense(number_of_neurons, input_dim=number_of_cols_in_input, activtion=some_activation_function))。
因此，我们能做的最基本的模型是：
model = Sequential()
model.add(Dense(1, i
浏览 8提问于2017-07-26得票数 31
回答已采纳
我是原型深入学习分割模型，需要六个通道的输入(两个对齐448x448 RGB图像在不同的照明条件)。我想比较几个预先训练过的模型和我现在的模型的性能，我从零开始训练。我可以在tf.keras.applications中使用预先训练的模型来输入多于3个通道的图像吗？
我尝试先应用卷积将信道维降为3，然后将输出传递给tf.keras.applications.DenseNet121()，但收到以下错误：
import tensorflow as tf
dense_input = tf.keras.layers.Input(shape=(448, 448, 6))
dense_filter = tf
浏览 0提问于2019-05-02得票数 3
回答已采纳
我试图使用tf.keras.layers.Lambda函数的输出作为tf.keras模型中的最后一个层，但是tf将lambda层的输出解释为一个张量(而不是层)对象。
错误是："ValueError:输出到模型的张量必须是TensorFlow Layer的输出(因此保存过去的层元数据)。
代码附在下面
from tensorflow.contrib.keras import layers, models
#lots of stuff up here, all working fine...
logits = layers.Dense(1, name=name+'fc'
浏览 0提问于2018-07-24得票数 1
2回答
编辑：由Franchois说，Layer + training eval methods = Model
在keras文档中，它说模型是由层组成的。然而，表明，模型可以由模型组成。
from keras.layers import Conv2D, MaxPooling2D, Input, Dense, Flatten
from keras.models import Model
# First, define the vision modules
digit_input = Input(shape=(27, 27, 1))
x = Conv2D(64, (3, 3))(digit_inpu
浏览 0提问于2019-07-10得票数 6
回答已采纳
1回答
我试图合并两个模型的输出，并使用keras序列模型将它们作为对第三个模型的输入。Model1：
inputs1 = Input(shape=(750,))
x = Dense(500, activation='relu')(inputs1)
x = Dense(100, activation='relu')(x)
Model1：
inputs2 = Input(shape=(750,))
y = Dense(500, activation='relu')(inputs2)
y = Dense(100, activation='relu&#
浏览 1提问于2018-10-26得票数 6
回答已采纳
1回答
我想知道如何在Keras中堆叠模型？我想给这两个模型提供输入，将输出输入到Meta模型中，如下所示： ? 如果我这样声明： inputs = tf.keras.Input(...)
x = Dense()(inputs)
y = RNN()(inputs)
meta = Add()([x, y])
meta = Dense()(meta)
model = tf.keras.Model(inputs=inputs, outputs=meta) 这段代码仍然是一个模型，只是采用并行路径的输入。 P/S:我已经读过这个答案了，但我认为它只是输入采用并行路径：How to vertical
浏览 15提问于2021-01-28得票数 0
回答已采纳
1回答
在Keras中合并2个序列模型
、、、、
我试图合并两个序贯模型中的角点.以下是代码：
model1 = Sequential(layers=[
# input layers and convolutional layers
Conv1D(128, kernel_size=12, strides=4, padding='valid', activation='relu', input_shape=input_shape),
MaxPooling1D(pool_size=6),
Conv1D(256, kernel_size=12, strides=4, padding=&
浏览 3提问于2017-08-31得票数 20
回答已采纳
嗨，我在保存和加载一个tensorflow模型时遇到了一些严重的问题，这个模型结合了人脸转换器和一些自定义的层来进行分类。我使用的是最新的Huggingface transformers keras版本。其思想是使用distilbert提取特征，然后通过CNN运行特征进行分类和提取。只要得到正确的分类，我已经做好了所有的工作。
问题是在训练后保存模型，然后再次加载模型。
我使用的是tensorflow keras和tensorflow版本2.2
以下是设计模型、训练模型、评估模型，然后保存和加载模型的代码
bert_config = DistilBertConfig(dropout=0
浏览 31提问于2020-05-17得票数 3
1回答
我使用以下代码(向提供)，该代码运行CNN以训练MNIST图像：
from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K
batch_size = 128
num
浏览 0提问于2018-06-08得票数 7
回答已采纳
在预先实现的keras模型(VGG16等)中，我们指定可以改变模型输入的形状，并仍然加载经过预先训练的imagenet权重。
我感到困惑的是，第一层的权重会发生什么呢？如果输入张量有一个不同的形状，那么权值的数量将不同于预先训练的模型，不是吗？
这里是Keras VGG16模型的实现，可供参考。
浏览 0提问于2017-12-04得票数 1
回答已采纳
3回答
我正在制作一个MLP模型，它需要两个输入并产生一个输出。
我有两个输入数组(每个输入一个)和一个输出数组。该神经网络有1个隐层，2个神经元。每个数组有336个元素。
model0 = keras.Sequential([
keras.layers.Dense(2, input_dim=2, activation=keras.activations.sigmoid, use_bias=True),
keras.layers.Dense(1, activation=keras.activations.relu, use_bias=True),
])
# Compile the neural ne
浏览 0提问于2019-03-19得票数 27
回答已采纳
outputs是一个张量对象。在创建model对象时，我们将input、x和outputs对象封装到一个tf.Model对象中。我的困惑来自于模型是如何做到这一点的。不是没有足够的信息来封装整个东西吗？当我检查model.layers属性时，它返回所有三个层，而不是两个。很明显，我们只向tf.keras.Model类的构造函数提供了两个输入(inputs和outputs)，那么在给定这些参数的情况下，它如何能够访问中间层x呢？
import tensorflow as tf
inputs = tf.keras.Input(shape=(3,))
x = tf.keras.layers.Den
浏览 0提问于2020-08-05得票数 0
我正在尝试使用nyoka包将经过训练的TensorFlow2.0模型输出到PMML。当我这样做的时候，它就会出错。问题似乎与中的问题不同，即使错误是相同的，因为我的模型没有复杂的创建函数，实际上确实进行了适当的训练和转换。
def create_and_train(x_training,y_training,n_cols_in,modelparams):
layers = [tf.keras.layers.Dense(n_cols_in,activation="relu"),
tf.keras.layers.Dropout(.5)]
for param
浏览 13提问于2019-07-09得票数 0
回答已采纳
当Keras模型接受多个输入时，其层的行为就好像只有一个输入一样。可能是个窃听器。
model = vgg19.VGG19(weights='imagenet', include_top=False, pooling='avg')
model(image1)
model(image2)
model.get_output_at(0)
model.get_output_at(1)
#no error here
outputs_0 = [layer.get_output_at(0) for layer in model.layers]
#no error here
浏览 2提问于2017-06-19得票数 1
回答已采纳
1回答
Keras中的多任务学习
、、、、
我试图在Keras中实现共享层。我确实看到Keras有keras.layers.concatenate，但是从文档中我并不确定它的使用情况。我可以使用它来创建多个共享层吗？使用Keras实现简单共享神经网络的最佳方法是什么？
📷
请注意，所有3个NNs的输入、输出和共享层的形状都是相同的。在三个NNs中有多个共享层(和非共享层)。每个NN的颜色层都是独一无二的，并且具有相同的形状。
基本上，图代表了3个相同的NNs和多个共享隐藏层，然后是多个非共享隐藏层.
我不知道如何共享多个层，在Twitter示例中，只有一个共享层(在API文档中)。
浏览 0提问于2018-02-05得票数 15
回答已采纳
当我一层一层地构建模型时，Sequential和Model([input],[output])的结果似乎是一样的。但是，当我使用以下两个输入相同的模型时，它们给出了不同的results.By方式，输入形状是(None, 15, 2)，输出形状是(None, 1, 2)。
Sequential模型：
model = tf.keras.Sequential(
[
tf.keras.layers.Conv1D(filters = 4, kernel_size =7, activation = "relu"),
tf.keras.layers.C
浏览 12提问于2022-08-07得票数 1
1回答
我有两个模型用于分类：
morf_model = keras.Sequential([
keras.layers.Dense(800, activation=tf.nn.tanh , input_shape=([np.shape(x)[1]])),
keras.layers.Dense(800, activation=tf.nn.tanh),
keras.layers.Dense(600, activation=tf.nn.tanh),
keras.layers.Dense(300, activation=tf.nn.tanh),
keras.layer
浏览 0提问于2019-08-17得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
