Keras 创建 CNN 模型“添加的层必须是类层的实例”答案

【问题标题】：Keras Creating CNN Model "The added layer must be an instance of class Layer"Keras 创建 CNN 模型“添加的层必须是类层的实例”
【发布时间】：2020-06-18 08:49:04
【问题描述】：

from tensorflow.keras.layers import Conv2D, MaxPooling2D, BatchNormalization
from tensorflow.keras.layers import Dropout, Flatten, Input, Dense

def create_model():

    def add_conv_block(model, num_filters):

        model.add(Conv2D(num_filters, 3, activation='relu', padding='same'))
        model.add(BatchNormalization())
        model.add(Conv2D(num_filters, 3, activation='relu', padding='valid'))
        model.add(MaxPooling2D(pool_size=2))
        model.add(Dropout(0.2))

        return model

    model = tf.keras.models.Sequential()
    model.add(Input(shape=(32, 32, 3)))

    model = add_conv_block(model, 32)
    model = add_conv_block(model, 64)
    model = add_conv_block(model, 128)

    model.add(Flatten())
    model.add(Dense(3, activation='softmax'))

    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

model = create_model()
model.summary()

enter image description here

【问题讨论】：

刚刚测试了一下，没有报错。请详细说明。
TypeError: 添加的层必须是类Layer的实例。找到：Tensor("input_1:0", shape=(?, 32, 32, 3), dtype=float32)
dataplatform.cloud.ibm.com/analytics/notebooks/v2/…
@MarcoCerliani 是的，我仍然收到同样的错误。
我提供了一个答案，别忘了点赞并接受它;-)

标签： python tensorflow keras conv-neural-network

【解决方案1】：

解决方案是使用InputLayer 而不是Input。 InputLayer 旨在与 Sequential 模型一起使用。您也可以完全省略InputLayer，并在顺序模型的第一层中指定input_shape。

Input 旨在与 TensorFlow Keras 函数式 API 一起使用，而不是顺序 API。

from tensorflow.keras.layers import Conv2D, MaxPooling2D, BatchNormalization
from tensorflow.keras.layers import Dropout, Flatten, InputLayer, Dense

def create_model():

    def add_conv_block(model, num_filters):

        model.add(Conv2D(num_filters, 3, activation='relu', padding='same'))
        model.add(BatchNormalization())
        model.add(Conv2D(num_filters, 3, activation='relu', padding='valid'))
        model.add(MaxPooling2D(pool_size=2))
        model.add(Dropout(0.2))

        return model

    model = tf.keras.models.Sequential()
    model.add(InputLayer((32, 32, 3)))

    model = add_conv_block(model, 32)
    model = add_conv_block(model, 64)
    model = add_conv_block(model, 128)

    model.add(Flatten())
    model.add(Dense(3, activation='softmax'))

    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

model = create_model()
model.summary()

【讨论】：

谢谢@jakub

【解决方案2】：

我认为这个问题与 TF 版本有关……但是我建议你使用这个实现。这样就可以在顺序模型的第一层指定input_shape，覆盖问题

def create_model():

    def add_conv_block(model, num_filters, input_shape=None):

        if input_shape:
            model.add(Conv2D(num_filters, 3, activation='relu', padding='same', input_shape=input_shape))
        else:
            model.add(Conv2D(num_filters, 3, activation='relu', padding='same'))

        model.add(BatchNormalization())
        model.add(Conv2D(num_filters, 3, activation='relu', padding='valid'))
        model.add(MaxPooling2D(pool_size=2))
        model.add(Dropout(0.2))

        return model

    model = tf.keras.models.Sequential()
    model = add_conv_block(model, 32, input_shape=(32, 32, 3))
    model = add_conv_block(model, 64)
    model = add_conv_block(model, 128)

    model.add(Flatten())
    model.add(Dense(3, activation='softmax'))

    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

    return model

model = create_model()
model.summary()

【讨论】：