如何使用 Tensorflow 张量设置功能模型的 Keras 层的输入？答案

【问题标题】：How to set the input of a Keras layer of a functional model, with a Tensorflow tensor?如何使用 Tensorflow 张量设置功能模型的 Keras 层的输入？
【发布时间】：2017-10-24 09:51:45
【问题描述】：

我有两个想要使用的包，一个是用 Keras1.2 编写的，另一个是用 tensorflow 编写的。我想使用在 tensorflow 中构建的架构的一部分到 Keras 模型中。

建议使用部分解决方案here，但它适用于顺序模型。关于功能模型的建议 - 将预处理包装在 Lambda 层中 - 不起作用。

以下代码有效：

inp = Input(shape=input_shape)
def ID(x):
    return x
lam = Lambda(ID)  
flatten = Flatten(name='flatten')
output = flatten(lam(inp))
Model(input=[inp], output=output)

但是，当用预处理的输出张量 flatten(lam(TF_processed_layer)) 替换 flatten(lam(inp)) 时，我得到：“模型的输出张量必须是 Keras 张量。找到：Tensor("Reshape:0", shape=(?, ?), dtype=float32)"

【问题讨论】：

你找到答案了吗？

标签： tensorflow keras keras-layer

【解决方案1】：

您可以尝试将输入张量包装到 Keras 输入层中，然后从那里继续构建您的模型。像这样：

inp = Input(tensor=tftensor,shape=input_shape)
def ID(x):
    return x
lam = Lambda(ID)  
flatten = Flatten(name='flatten')
output = flatten(lam(inp))
Model(input=inp, output=output)

【讨论】：

【解决方案2】：

您没有为 Keras 正确定义您的 Lamba。试试这样的

def your_lambda_layer(x):
    x -= K.mean(x, axis=1, keepdims=True)
    x = K.l2_normalize(x, axis=1)
    return x

....
model.add(Lambda(your_lambda_layer))

看到你正在使用这样的函数式 API

def your_lambda_layer(x):
    x -= K.mean(x, axis=1, keepdims=True)
    x = K.l2_normalize(x, axis=1)
    return x

....
x = SomeLayerBeforeLambda(options...)(x)
x = (Lambda(your_lambda_layer))(x)

但即便如此，lambda 层可能无法展平，所以打印出 lambda 的形状并查看它，看看它是什么。

【讨论】：