keras mit Ausgabe der Zwischenschicht

Ich trainiere ein Modell Ein und versuchen, den Ausgang der Zwischenschicht mit dem name="layer_x" für zusätzliche Eingabe in Modell B.

Ich habe versucht, die Ausgabe der Zwischenschicht wie auf der keras doc
https://keras.io/getting-started/faq/#how-can-i-obtain-the-output-of-an-intermediate-layer

Modell A:

inputs = Input(shape=(100,))
dnn = Dense(1024, activation='relu')(inputs)
dnn = Dense(128, activation='relu', name="layer_x")(dnn)
dnn = Dense(1024, activation='relu')(dnn)
output = Dense(10, activation='softmax')(dnn)

Modell B:

input_1 = Input(shape=(200,))
input_2 = Input(shape=(100,)) # input for model A

# loading model A
model_a = keras.models.load_model(path_to_saved_model_a)

intermediate_layer_model = Model(inputs=model_a.input, 
                                 outputs=model_a.get_layer("layer_x").output)

intermediate_output = intermediate_layer_model.predict(data)

merge_layer = concatenate([input_1, intermediate_output])
dnn_layer = Dense(512, activation="relu")(merge_layer)
output = Dense(5, activation="sigmoid")(dnn_layer)
model = keras.models.Model(inputs=[input_1, input_2], outputs=output)

Wenn ich Debuggen bekomme ich eine Fehlermeldung in dieser Zeile:

intermediate_layer_model = Model(inputs=model_a.input, 
                                 outputs=model_a.get_layer("layer_x").output)

File "..", line 89, in set_model
  outputs=self.neural_net_asc.model.get_layer("layer_x").output)
File "C:\WinPython\python-3.5.3.amd64\lib\site-packages\keras\legacy\interfaces.py", line 87, in wrapper
  return func(*args, **kwargs)
File "C:\WinPython\python-3.5.3.amd64\lib\site-packages\keras\engine\topology.py", line 1592, in __init__
  mask = node.output_masks[tensor_index]
AttributeError: 'Node' object has no attribute 'output_masks'

Kann ich den Zugriff auf die Tensor mit get_layer("layer_x").die Ausgabe und die output_mask ist Keine. Muss ich manuell gesetzt eine Ausgabe-Maske und wie richte ich diese Ausgabe Maske, wenn nötig?

InformationsquelleAutor KyleReemoN- | 2018-02-17
  1. 11

    Gibt es zwei Dinge, die Sie zu sein scheinen falsch :

    intermediate_output = intermediate_layer_model.predict(data)

    wenn Sie .predict() Sie sind eigentlich die Weitergabe der Daten durch die Grafik und Fragen, was wird die Folge sein. Wenn Sie das tun, sind intermediate_output ein numpy-array und nicht eine Ebene, wie Sie möchten, es zu sein.

    Zweitens, werden Sie nicht brauchen, um neu erstellen eine neue intermediate-Modell. Sie können direkt den Teil der model_a, die Sie interessieren.

    Hier ist ein code "kompiliert" für mich :

    from keras.layers import Input, Dense, concatenate
from keras.models import Model

inputs = Input(shape=(100,))
dnn = Dense(1024, activation='relu')(inputs)
dnn = Dense(128, activation='relu', name="layer_x")(dnn)
dnn = Dense(1024, activation='relu')(dnn)
output = Dense(10, activation='softmax')(dnn)

model_a = Model(inputs=inputs, outputs=output)

# You don't need to recreate an input for the model_a, 
# it already has one and you can reuse it
input_b = Input(shape=(200,))

# Here you get the layer that interests you from model_a, 
# it is still linked to its input layer, you just need to remember it for later
intermediate_from_a = model_a.get_layer("layer_x").output

# Since intermediate_from_a is a layer, you can concatenate it with the other input
merge_layer = concatenate([input_b, intermediate_from_a])
dnn_layer = Dense(512, activation="relu")(merge_layer)
output_b = Dense(5, activation="sigmoid")(dnn_layer)
# Here you remember that one input is input_b and the other one is from model_a
model_b = Model(inputs=[input_b, model_a.input], outputs=output_b)

    Ich hoffe, dass dies ist, was Sie tun wollte.

    Bitte sagen Sie mir, wenn etwas nicht klar 🙂

    • hey ich fand schließlich meinen Fehler, den ich verwendet tensorflow.python.keras-api und hier habe ich importiert von keras.Modelle und die 2 verschiedenen keras Versionen von tensorflow und rein keras könnten nicht zusammen arbeiten 🙂 aber danke für deine Antwort, aber auch ich nicht die predict-Methode nun
    • das ist der richtige Weg, der Zug, wie eine "chain-of-Modelle"?
    • Es hängt wirklich von der Fall... Der Natürliche Weg zu sein scheint 1) Zug Modell A, 2), erstarren common Layer, 3) Zug-Modell B mit gefrorenen Ebenen von Modell A
    • Ich sehe, ich hatte gehofft, in einigen keras (tensorflow) Magie um das training zu tun ein Schuss...
    • Diese Art von Modell ist wirklich anwendungsspezifische... die Art und Weise Sie trainieren, es hängt wirklich davon ab, die Gründe, warum diese zwei Modelle angeschlossen sind... also keine Magie, um mein wissen 😀 sorry
    InformationsquelleAutor Nassim Ben
Schreibe einen Kommentar