Keras：将模型扁平化输出与向量连接起来答案

【问题标题】：Keras: concatenating model flattened output with vectorKeras：将模型扁平化输出与向量连接起来
【发布时间】：2017-08-18 01:47:45
【问题描述】：

我有一个这样定义的 Keras 模型：

model = Sequential()
model.add(embedding_layer)
model.add(Conv1D(filters=256, kernel_size=3, activation='relu', padding='same'))
model.add(MaxPooling1D(pool_size=3))
model.add(Flatten())
model.add(Dense(num_classes, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')

在Flatten() 层之后，我想连接两个附加特征，即如果Flatten() 给我一个大小为(1, n) (model.output_shape == (None, n)) 的向量，我想连接一个单独的numpy 数组大小为 (1, 2) 所以model.output_shape == (None, n+2)。我该怎么做呢？

我认为keras.layers.merge.Concatenate 是我在这里寻找的，但我不知道如何实现它。网上的例子不多，Keras 2.0 也使用了更新的语法。任何帮助将不胜感激。

【问题讨论】：

标签： python numpy deep-learning keras

【解决方案1】：

我玩了一会儿，弄明白了。对于任何感兴趣的人：这是 Keras 函数式 API 的一个很好的用例，它始终返回张量，您可以在其上进行张量操作。

embedded_sequence = embedding_layer(sequence_input)
x = Conv1D(filters=256, kernel_size=3, activation='relu', padding='same')(embedded_sequence)
x = MaxPooling1D(pool_size=3)(x)
x = Flatten()(x)

# additional features input
from keras.layers.merge import Concatenate
af_input = Input(shape=(data['af_train'].shape[1],), name='af_input')
x = Concatenate()([x, af_input])

# output
main_output = Dense(num_classes, activation='sigmoid', name='main_output')(x)

model = Model(inputs=[sequence_input, af_input], outputs=main_output)
model.compile(loss='binary_crossentropy', optimizer='adam')

【讨论】：

您的 sequence_input 设置是什么？在 2.0.3 中我无法设置它
我的sequence_input 是文本索引。 sequence_input = Input(shape=(max_sequence_length, ), dtype='int32', name='text_input')

【解决方案2】：

我还没有测试过这段代码，但我测试了something similar 并且它有效（虽然可能不是最有效的方法）：

model = Sequential()
model.add(embedding_layer)
model.add(Conv1D(filters=256, kernel_size=3, activation='relu', padding='same'))
model.add(MaxPooling1D(pool_size=3))
model.add(Flatten())

auxiliary_input = Input(shape=(2,), name='aux_input')
final_model = Sequential()
final_model.add(Merge([model, auxiliary_input], mode='concat'))
final_model.add(Dense(num_classes, activation='sigmoid'))
final_model.compile(loss='binary_crossentropy', optimizer='adam')

还有一个part of doc 给出了具有多个输入（以及多个输出）但使用较旧的 API 使用样式的示例。

【讨论】：