在 Keras 中合并 2 个顺序模型

Question

我试图在 keras 中合并 2 个顺序模型。代码如下：

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='valid', activation='relu'),
    MaxPooling1D(pool_size=6),
    Dropout(.5),

])

model2 = Sequential(layers=[
    # input layers and convolutional layers
    Conv1D(128, kernel_size=20, strides=5, padding='valid', activation='relu', input_shape=input_shape),
    MaxPooling1D(pool_size=5),
    Conv1D(256, kernel_size=20, strides=5, padding='valid', activation='relu'),
    MaxPooling1D(pool_size=5),
    Dropout(.5),

])

model = merge([model1, model2], mode = 'sum')
Flatten(),
Dense(256, activation='relu'),
Dropout(.5),
Dense(128, activation='relu'),
Dropout(.35),
# output layer
Dense(5, activation='softmax')
return model

这是错误日志：

文件 “/nics/d/home/dsawant/anaconda3/lib/python3.6/site-packages/keras/backend/tensorflow_backend.py”， 第 392 行，在 is_keras_tensor 中 raise ValueError('意外找到了' + str(type(x)) + '类型的实例。' ValueError:意外找到了 输入<class 'keras.models.Sequential'>。期望一个符号张量 实例。

更多日志：

ValueError: Layer merge_1 被调用的输入不是 符号张量。接收类型：类 'keras.models.Sequential'。 完整输入：[keras.models.Sequential object at 0x2b32d518a780, keras.models.Sequential 对象在 0x2b32d521ee80]。所有输入到 层应该是张量。

如何合并这 2 个使用不同窗口大小的 Sequential 模型并对它们应用“max”、“sum”等函数？

Answer 1

使用功能 API 为您带来所有可能性。

使用函数式 API 时，您需要跟踪输入和输出，而不仅仅是定义层。

您定义一个层，然后使用输入张量调用该层以获取输出张量。模型和层的调用方式完全相同。

对于合并层，我更喜欢使用其他更直观的合并层，例如Add()、Multiply() 和Concatenate()。

from keras.layers import *

mergedOut = Add()([model1.output,model2.output])
    #Add() -> creates a merge layer that sums the inputs
    #The second parentheses "calls" the layer with the output tensors of the two models
    #it will demand that both model1 and model2 have the same output shape

同样的想法适用于以下所有层。我们不断更新输出张量，将其提供给每一层并获得新的输出（如果我们有兴趣创建分支，我们将为每个感兴趣的输出使用不同的 var 来跟踪它们）：

mergedOut = Flatten()(mergedOut)    
mergedOut = Dense(256, activation='relu')(mergedOut)
mergedOut = Dropout(.5)(mergedOut)
mergedOut = Dense(128, activation='relu')(mergedOut)
mergedOut = Dropout(.35)(mergedOut)

# output layer
mergedOut = Dense(5, activation='softmax')(mergedOut)

现在我们创建了“路径”，是时候创建Model了。创建模型就像告诉它从哪个输入张量开始以及在哪里结束：

from keras.models import Model

newModel = Model([model1.input,model2.input], mergedOut)
    #use lists if you want more than one input or output    

请注意，由于此模型有两个输入，因此您必须使用列表中的两个不同的 X_training 变量对其进行训练：

newModel.fit([X_train_1, X_train_2], Y_train, ....)    

---

现在，假设您只需要一个输入，并且 model1 和 model2 都将采用相同的输入。

函数式 API 通过创建输入张量并将其提供给模型（我们将模型称为层）来轻松实现这一点：

commonInput = Input(input_shape)

out1 = model1(commonInput)    
out2 = model2(commonInput)    

mergedOut = Add()([out1,out2])

在这种情况下，模型会考虑这个输入：

oneInputModel = Model(commonInput,mergedOut)