在带有 Tensorflow 张量的 Keras 模型中使用 InputLayer（或 Input）有什么好处？答案

【问题标题】：What is the advantage of using an InputLayer (or an Input) in a Keras model with Tensorflow tensors?在带有 Tensorflow 张量的 Keras 模型中使用 InputLayer（或 Input）有什么好处？
【发布时间】：2017-12-26 08:14:30
【问题描述】：

Keras 模型可以通过函数 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

张量是什么：

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

但是，这也可以在没有任何 InputLayer 的情况下工作：

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)

有效，output 的形状和以前一样：

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

我假设第一种形式允许：

明确附加inputs 和outputs 作为模型的属性（同名），以便我们可以在其他地方重用它们。例如与其他 TF 操作。
将作为输入给出的张量转换为 Keras 输入，并带有额外的元数据（例如 _keras_history，如 the source code 中所述）。

但这不是我们不能用第二种形式做的事情，所以，InputLayer（和Input更是如此）有什么特殊用法吗（除了多个输入）？
此外，InputLayer 很棘手，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），但通常情况并非如此......

【问题讨论】：

标签： python tensorflow deep-learning keras

【解决方案1】：

InputLayer 似乎有一些用途：

首先，它允许您按原样提供纯张量流张量，而无需指定它们的形状。例如。你可以写
```
  model.add(InputLayer(input_tensor=a))
```
这很好，有几个明显的原因，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序列网络，例如
```
      input
       / \
      /   \
     /     \
  conv1   conv2
    |       |
```
如果没有 InputLayer，您将需要显式地提供 conv1 和 conv2 相同的张量，或者在模型顶部创建任意身份层。两者都不是很讨人喜欢。
最后，它们消除了“也是输入的层”和“普通层”之间的任意区别。如果您使用InputLayer，您可以编写代码，明确区分哪一层是输入和哪一层做某事。这提高了代码的可读性并使重构变得更加容易。例如，替换第一层变得和替换任何其他层一样容易，您无需考虑input_shape。

【讨论】：