keras 功能 api 和多个合并层

Question

我正在尝试使用 keras 设计一个神经网络。与定义的层相比，model.summary() 输出不同

import numpy as np
np.random.seed(1337) 

from keras.models import Model
from keras.layers import Input, Convolution2D, MaxPooling2D, Activation, Flatten, merge

from keras import backend as K
K.set_image_dim_ordering('th')

input_shape = (3, 225, 225)
inp = Input(input_shape)

seq0 = MaxPooling2D(pool_size=(2, 2), strides=(2, 2), border_mode="same")(inp)
seq1 = Convolution2D(32, 1, 1, border_mode="same", activation="relu")(seq0)
seq2 = Convolution2D(32, 1, 1, border_mode="same", activation="relu")(seq1)
seq3 = merge([seq2, seq1], mode="concat", concat_axis=1)
seq4 = Convolution2D(32, 1, 1, border_mode="same", activation="relu")(seq3)
seq5 = merge([seq1, seq3], mode="concat", concat_axis=1)
seq6 = Convolution2D(128, 5, 5, border_mode="same", activation="relu")(seq5)
seq7 = merge([seq4, seq3], mode="concat", concat_axis=1)
seq8 = Convolution2D(512, 3, 3, border_mode="same", activation="relu")(seq7)
seq9 = merge([seq5, seq2], mode="concat", concat_axis=1)

seq = Flatten()(seq9)
out = Activation('softmax')(seq)


model = Model(input=inp, output=out)  
model.summary()

model.summary() 输出

Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
input_1 (InputLayer)             (None, 3, 225, 225)   0                                            
____________________________________________________________________________________________________
maxpooling2d_1 (MaxPooling2D)    (None, 3, 113, 113)   0           input_1[0][0]                    
____________________________________________________________________________________________________
convolution2d_1 (Convolution2D)  (None, 32, 113, 113)  128         maxpooling2d_1[0][0]             
____________________________________________________________________________________________________
convolution2d_2 (Convolution2D)  (None, 32, 113, 113)  1056        convolution2d_1[0][0]            
____________________________________________________________________________________________________
merge_1 (Merge)                  (None, 64, 113, 113)  0           convolution2d_2[0][0]            
                                                                   convolution2d_1[0][0]            
____________________________________________________________________________________________________
merge_2 (Merge)                  (None, 96, 113, 113)  0           convolution2d_1[0][0]            
                                                                   merge_1[0][0]                    
____________________________________________________________________________________________________
merge_4 (Merge)                  (None, 128, 113, 113) 0           merge_2[0][0]                    
                                                                   convolution2d_2[0][0]            
____________________________________________________________________________________________________
flatten_1 (Flatten)              (None, 1634432)       0           merge_4[0][0]                    
____________________________________________________________________________________________________
activation_1 (Activation)        (None, 1634432)       0           flatten_1[0][0]                  
====================================================================================================

model.summary() 输出中缺少 seq4、seq6、seq8 层。 我做错了吗？

Answer 1

您没有使用它们来计算输出。

以 seq4 为例：你把它喂给 seq7，它被喂给 seq8，它不会去任何地方。

你的模型树的结构有问题。

在总结的那一个中，他们从input=inp 中提取了通往output=out 的所有层，那些未在该“路径”中使用的层将不会成为模型图形的一部分。

经过 seq4、seq6、seq7 和 seq8 的流程不会导致模型的输出。

这对你有帮助吗？

编辑：

您的代码中的合并层功能类似于此示例：

seq3 = merge([seq2, seq1], mode="concat", concat_axis=1)

在这里，您可以从层 seq2 和 seq1 中提取出来，它们有shapes = (None,32,113,113)。那是该层的输入，来自 seq2 和 seq1 的两个不同的张量。 您确定要连接轴 1 之后的那些 4D 张量。 因此，该合并层的输出将是shape = (None,64,113,113)。这两个 32 已在连接过程中相加。 你可以在model.summary()的“merge_1”行阅读我刚刚解释过的内容