来自复杂模型的自定义预测（功能 API Keras）

Question

以上是我使用 TF2 构建的 Keras 模型。我希望仅来自 Right Network 的预测通过 Concatenation 层馈送到 Batch 归一化层，尽管训练是在如上所示的两个输入层的网络上完成的。在预测期间，我只向 input_5 层提供输入，以从最终分类层获得输出。在预测过程中，我不希望左网络有任何贡献。

可能的解决方案： 1. 将 Target_Model、Batch-Norm 的权重保存为 Dense Layer 权重（使其成为 Sequential），并将 Source_Model 替换为形状为零的数组 (?, 512)。 创建了一个新模型并将所有这些部分添加到一起，以根据预测需要制定新模型，其中 Source_Model 被替换为 zeros 数组，以便将其提供给连接层。 问题：创建形状为 (?, 512) 的 zeros 数组时出错，因为未定义批量大小。

如何在 TF2.x 中解决这个问题？

有人知道其他技术吗？

Answer 1

这可以是一个解决方案...

## define left model
left = Input((33))
xl = Dense(512)(left)
left_model = Model(left, xl)

## define right model
right = Input((10))
xr = Dense(64)(right)
right_model = Model(right, xr)

## define final shared model
concat_inp = Input((576))
x = BatchNormalization()(concat_inp)
out = Dense(1)(x)
combi_model = Model(concat_inp, out)

## combine left and right model
concat = Concatenate()([left_model.output, right_model.output])
## combine branches with final shared model
combi = combi_model(concat)

full_model = Model([left_model.input, right_model.input], combi)

# full_model.fit(...)

在拟合整个模型后，我们可以提取我们需要的东西

## replace left branch in fitted model
fake_left_input = Input((512))

## combine fake left branch with right fitted branch 
new_concat = Concatenate()([fake_left_input, right_model.output])
## combine branches with final shared model
new_combi = combi_model(new_concat)

new_full_model = Model([fake_left_input, right_model.input], new_combi)
new_full_model.summary()

X_right_test = np.random.uniform(0,1, (20,10))
X_left_test = np.zeros((len(X_right_test),512)) 
new_full_model([X_left_test, X_right_test])