是否可以在没有输入层的情况下在 Keras 功能 API 中创建模型？答案

【问题标题】：Is it possible to create a model in Keras Functional API without an input layer?是否可以在没有输入层的情况下在 Keras 功能 API 中创建模型？
【发布时间】：2021-04-02 15:26:51
【问题描述】：

我想在 Keras 中创建一个由 2 个卷积层、一个展平层和一个密集层组成的模型。这将是一个具有共享权重的模型，因此没有任何预定义的输入层。

可以使用顺序方式：

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu))
model.add(tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu))
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(200,activation=tf.nn.relu))

但是，使用 Functional API 会产生 TypeError：

model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)
model2 = tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Flatten()(model2)
model2 = tf.keras.layers.Dense(200,activation=tf.nn.relu)(model2)

错误：

TypeError: Inputs to a layer should be tensors. Got: <tensorflow.python.keras.layers.convolutional.Conv2D object at 0x7fb060598100>

这样是不可能的，还是我错过了什么？

【问题讨论】：

不能添加输入层有什么具体原因吗？
在任何一个 API（顺序或函数）中都不可能，没有输入层的神经网络是没有意义的，你为什么要做这样的事情？
我想共享权重。所以 2 个单独的输入层，然后是几个共享的卷积层，然后是 2 个分离的层。当然可以只使用一个共享层 (stackoverflow.com/questions/49875127/…)，但我还没有看到如何使用更多共享层的示例。但是，如果我尝试将它们中的更多链接在一起，则会出现错误。

标签： python tensorflow keras functional-api

【解决方案1】：

keras 顺序 api 被设计为更易于使用，因此不如函数式 api 灵活。这样做的好处是可以通过传递给它的任何数据形状自动推断输入“层”形状。缺点是这个更容易使用的模型被简化了，所以你不能做像使用多个输入这样的事情。

来自keras 文档：

在以下情况下不适合使用顺序模型：

您的模型有多个输入或多个输出

您的任何层都有多个输入或多个输出

您需要进行图层共享

您需要非线性拓扑（例如，残差连接、多分支模型）

函数式 api 被设计为更灵活，即多个输入，因此它不会为您进行任何类型的自动推理，因此会出现错误。在这种情况下，您必须显式传递一个输入层。对于您的用例，它不会自动推断形状可能看起来很奇怪，但是当您考虑更广泛的用例场景时，它是有意义的。

所以第二种情况应该是：

model2 = tf.keras.layers.Input((10,3,2)) # specified input layer
model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Flatten()(model2)
model2 = tf.keras.layers.Dense(200,activation=tf.nn.relu)(model2)

更新

如果您想创建两个单独的模型并将它们连接在一起，您应该使用功能 API，然后由于它的限制，您必须使用输入层。所以你可以这样做：

import tensorflow as tf
from tensorflow.keras.layers import Input, Flatten, Dense, concatenate, Conv2D
from tensorflow.keras.models import Model

input1 = Input((10,3,2))
model1 = Dense(200,activation=tf.nn.relu)(input1)

input2 = Input((10,3,2))
model2 = Dense(200,activation=tf.nn.relu)(input2)

merged = concatenate([model1, model2])

merged = Conv2D(10,3,2,'valid',activation=tf.nn.relu)(merged)
merged = Flatten()(merged)
merged = Dense(200,activation=tf.nn.relu)(merged)

model = Model(inputs=[input1, input2], outputs=merged)

上面我们有两个单独的输入，然后是两个 Dense 层 - 您可以根据需要构建这些单独的线，然后将它们合并在一起以通过卷积层，您需要使用 tf.keras.layers.concatenate 层，然后您可以从那里继续联合模型。将整个事物包装在 Model 对象中，然后您就可以访问训练和推理方法，例如拟合/预测等。

【讨论】：

感谢您的回答。以及如何附加 2 个输入层？这就是为什么我想在没有输入层的情况下做一个没有输入的层序列，然后将 2 个单独的输入层传递给该序列，创建 2 个具有单独输入、单独输出但共享卷积层的单独模型。
谢谢，但我认为这仍然不是我想要实现的。我想要这样的东西（stackoverflow.com/questions/49875127/…），但有多个共享层（他们在链接的问题中称之为密集）。我可能会问另一个问题，因为我问过 X，但我真正需要的是 Y。
我同意也许问一个单独的问题会更清楚。如果您认为我回答了您最初的问题，但我会很感激“接受”:)

【解决方案2】：

keras 中的链接通过在层中传播tensors 来工作。因此，在您的第二个示例中，开头 model2 是 keras.layers.Layer 的一个实例，而不是 tf.Tensor 这就是您收到错误的原因。

Input 创建一个张量，然后可以使用它来链接图层。所以如果没有具体原因，你就加一个吧：

model2 = tf.keras.layers.Input((10,3,2))
model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)(model2)

【讨论】：