Keras實(shí)現(xiàn)將兩個(gè)模型連接到一起
神經(jīng)網(wǎng)絡(luò)玩得越久就越會(huì)嘗試一些網(wǎng)絡(luò)結(jié)構(gòu)上的大改動(dòng)。
先說(shuō)意圖
有兩個(gè)模型：模型A和模型B。模型A的輸出可以連接B的輸入。將兩個(gè)小模型連接成一個(gè)大模型，A-B，既可以同時(shí)訓(xùn)練又可以分離訓(xùn)練。
流行的算法里經(jīng)常有這么關(guān)系的兩個(gè)模型，對(duì)GAN來(lái)說(shuō)，生成器和判別器就是這樣子；對(duì)VAE來(lái)說(shuō)，編碼器和解碼器就是這樣子；對(duì)目標(biāo)檢測(cè)網(wǎng)絡(luò)來(lái)說(shuō)，backbone和整體也是可以拆分的。所以，應(yīng)用范圍還是挺廣的。
實(shí)現(xiàn)方法
首先說(shuō)明，我的實(shí)現(xiàn)方法不一定是最佳方法。也是實(shí)在沒(méi)有借鑒到比較好的方法，所以才自己手動(dòng)寫(xiě)了一個(gè)。
第一步，我們有現(xiàn)成的兩個(gè)模型A和B；我們想把A的輸出連到B的輸入，組成一個(gè)整體C。
第二步， 重構(gòu)新模型C；我的方法是：讀出A和B各有哪些layer，然后一層一層重新搭成C。
可以看一個(gè)自編碼器的代碼(本人所編寫(xiě))：
class AE:
def __init__(self, dim, img_dim, batch_size):
self.dim = dim
self.img_dim = img_dim
self.batch_size = batch_size
self.encoder = self.encoder_construct()
self.decoder = self.decoder_construct()
def encoder_construct(self):
x_in = Input(shape=(self.img_dim, self.img_dim, 3))
x = x_in
x = Conv2D(self.dim // 16, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
x = BatchNormalization()(x)
x = LeakyReLU(0.2)(x)
x = Conv2D(self.dim // 8, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
x = BatchNormalization()(x)
x = LeakyReLU(0.2)(x)
x = Conv2D(self.dim // 4, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
x = BatchNormalization()(x)
x = LeakyReLU(0.2)(x)
x = Conv2D(self.dim // 2, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
x = BatchNormalization()(x)
x = LeakyReLU(0.2)(x)
x = Conv2D(self.dim, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
x = BatchNormalization()(x)
x = LeakyReLU(0.2)(x)
x = GlobalAveragePooling2D()(x)
encoder = Model(x_in, x)
return encoder
def decoder_construct(self):
map_size = K.int_shape(self.encoder.layers[-2].output)[1:-1]
# print(type(map_size))
z_in = Input(shape=K.int_shape(self.encoder.output)[1:])
z = z_in
z_dim = self.dim
z = Dense(np.prod(map_size) * z_dim)(z)
z = Reshape(map_size + (z_dim,))(z)
z = Conv2DTranspose(z_dim // 2, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
z = BatchNormalization()(z)
z = Activation('relu')(z)
z = Conv2DTranspose(z_dim // 4, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
z = BatchNormalization()(z)
z = Activation('relu')(z)
z = Conv2DTranspose(z_dim // 8, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
z = BatchNormalization()(z)
z = Activation('relu')(z)
z = Conv2DTranspose(z_dim // 16, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
z = BatchNormalization()(z)
z = Activation('relu')(z)
z = Conv2DTranspose(3, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
z = Activation('tanh')(z)
decoder = Model(z_in, z)
return decoder
def build_ae(self):
input_x = Input(shape=(self.img_dim, self.img_dim, 3))
x = input_x
for i in range(1, len(self.encoder.layers)):
x = self.encoder.layers[i](x)
for j in range(1, len(self.decoder.layers)):
x = self.decoder.layers[j](x)
y = x
auto_encoder = Model(input_x, y)
return auto_encoder
模型A就是這里的encoder，模型B就是這里的decoder。所以，連接的精髓在build_ae()函數(shù)，直接用for循環(huán)讀出各層，然后一層一層重新構(gòu)造新的模型，從而實(shí)現(xiàn)連接效果。因?yàn)閗eras也是基于圖的框架，這個(gè)操作并不會(huì)很費(fèi)時(shí)，因?yàn)闆](méi)有實(shí)際地計(jì)算。
補(bǔ)充知識(shí)：keras得到每層的系數(shù)
使用keras搭建好一個(gè)模型，訓(xùn)練好，怎么得到每層的系數(shù)呢：
weights = np.array(model.get_weights()) print(weights) print(weights[0].shape) print(weights[1].shape)
這樣系數(shù)就被存放到一個(gè)np中了。
以上這篇Keras實(shí)現(xiàn)將兩個(gè)模型連接到一起就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了python中關(guān)于tqdm的用法及說(shuō)明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-08-08
這篇文章主要介紹了Python基礎(chǔ)詳解之郵件處理,文中有非常詳細(xì)的代碼示例,對(duì)正在學(xué)習(xí)python基礎(chǔ)的小伙伴們有非常好的幫助,需要的朋友可以參考下2021-04-04
Python3實(shí)現(xiàn)發(fā)送QQ郵件功能（html）
這篇文章主要為大家詳細(xì)介紹了Python3實(shí)現(xiàn)發(fā)送QQ郵件功能，html格式的qq郵件，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2017-12-12
這篇文章主要介紹了使用Python進(jìn)行防病毒免殺,本文給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2019-12-12
Docker如何部署Python項(xiàng)目的實(shí)現(xiàn)詳解
這篇文章主要介紹了Docker如何部署Python項(xiàng)目的實(shí)現(xiàn)詳解，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-10-10
Linux 發(fā)郵件磁盤(pán)空間監(jiān)控(python)
這篇文章主要介紹了Linux發(fā)郵件磁盤(pán)空間監(jiān)控功能，python實(shí)現(xiàn)，需要的朋友可以參考下2016-04-04
網(wǎng)上有很多的字符畫(huà)，看起來(lái)很炫酷，本文就通過(guò)一則示例實(shí)現(xiàn)字符畫(huà)視頻，文中通過(guò)示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-11-11
PyTorch?Tensor創(chuàng)建實(shí)現(xiàn)
本文主要介紹了PyTorch?Tensor創(chuàng)建實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-06-06
django框架之cookie/session的使用示例(小結(jié))
這篇文章主要介紹了django框架之cookie/session的使用示例(小結(jié))，詳細(xì)的介紹了cookie和session技術(shù)的接口獲取等問(wèn)題，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-10-10
這篇文章主要介紹了python分析apache訪問(wèn)日志腳本分享,本文直接給出實(shí)現(xiàn)代碼,需要的朋友可以參考下2015-02-02