关于Keras里的Sequential(序列模型)转化为Model(函数模型)的问题

2024-01-31 09:50

本文主要是介绍关于Keras里的Sequential(序列模型)转化为Model(函数模型)的问题,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 前言
  • 一、序列模型
  • 二、改为函数模型
    • 1.错误代码
  • 总结


前言

想在keras模型上加上注意力机制,于是把keras的序列模型转化为函数模型,结果发现参数维度不一致的问题,结果也变差了。跟踪问题后续发现是转为函数模型后,网络共享层出现了问题。

一、序列模型

该部分采用的是add添加网络层,由于存在多次重复调用相同网络层的情况,因此封装成一个自定义函数:

  def create_base_network(input_dim):seq = Sequential()seq.add(Conv2D(64, 5, activation='relu', padding='same', name='conv1', input_shape=input_dim))seq.add(Conv2D(128, 4, activation='relu', padding='same', name='conv2'))seq.add(Conv2D(256, 4, activation='relu', padding='same', name='conv3'))seq.add(Conv2D(64, 1, activation='relu', padding='same', name='conv4'))seq.add(MaxPooling2D(2, 2, name='pool1'))seq.add(Flatten(name='fla1'))seq.add(Dense(512, activation='relu', name='dense1'))seq.add(Reshape((1, 512), name='reshape'))

整体代码,该模型存在多个输入(6个):

	def create_base_network(input_dim):seq = Sequential()seq.add(Conv2D(64, 5, activation='relu', padding='same', name='conv1', input_shape=input_dim))seq.add(Conv2D(128, 4, activation='relu', padding='same', name='conv2'))seq.add(Conv2D(256, 4, activation='relu', padding='same', name='conv3'))seq.add(Conv2D(64, 1, activation='relu', padding='same', name='conv4'))seq.add(MaxPooling2D(2, 2, name='pool1'))seq.add(Flatten(name='fla1'))seq.add(Dense(512, activation='relu', name='dense1'))seq.add(Reshape((1, 512), name='reshape'))return seqbase_network = create_base_network(img_size)input_1 = Input(shape=img_size)input_2 = Input(shape=img_size)input_3 = Input(shape=img_size)input_4 = Input(shape=img_size)input_5 = Input(shape=img_size)input_6 = Input(shape=img_size)print('the shape of base1:', base_network(input_1).shape)   # (, 1, 512)out_all = Concatenate(axis=1)([base_network(input_1), base_network(input_2), base_network(input_3), base_network(input_4), base_network(input_5), base_network(input_6)])print('****', out_all.shape)   # (, 6, 512)lstm_layer = LSTM(128, name = 'lstm')(out_all)out_puts = Dense(3, activation = 'softmax', name = 'out')(lstm_layer)model = Model([input_1,input_2,input_3,input_4,input_5,input_6], out_puts)model.summary()

网络模型:
在这里插入图片描述

二、改为函数模型

1.错误代码

第一次更改网络模型后,虽然运行未报错,但参数变多,模型性能也下降了,如下:

   def create_base_network(input_dim):x = Conv2D(64, 5, activation='relu', padding='same')(input_dim)x = Conv2D(128, 4, activation='relu', padding='same')(x)x = Conv2D(256, 4, activation='relu', padding='same')(x)x = Conv2D(64, 1, activation='relu', padding='same')(x)x = MaxPooling2D(2, 2)(x)x = Flatten()(x)x = Dense(512, activation='relu')(x)x = Reshape((1, 512))(x)return xinput_1 = Input(shape=img_size)input_2 = Input(shape=img_size)input_3 = Input(shape=img_size)input_4 = Input(shape=img_size)input_5 = Input(shape=img_size)input_6 = Input(shape=img_size)base_network_1 = create_base_network(input_1)base_network_2 = create_base_network(input_2)base_network_3 = create_base_network(input_3)base_network_4 = create_base_network(input_4)base_network_5 = create_base_network(input_5)base_network_6 = create_base_network(input_6)# print('the shape of base1:', base_network(input_1).shape)   # (, 1, 512)out_all = Concatenate(axis = 1)(  # 维度不变, 维度拼接,第一维度变为原来的6[base_network_1, base_network_2, base_network_3, base_network_4, base_network_5, base_network_6])print('****', out_all.shape)   # (, 6, 512)lstm_layer = LSTM(128, name = 'lstm')(out_all)out_puts = Dense(3, activation = 'softmax', name = 'out')(lstm_layer)model = Model(inputs = [input_1, input_2, input_3, input_4, input_5, input_6], outputs = out_puts)  # 6个输入model.summary()

结果模型输出如下:
在这里插入图片描述
可以看到,模型的参数变为了原来的6倍多,改了很多次,后来发现,原来是因为序列模型中的base_network = create_base_network(img_size)相当于已将模型实例化成了一个model,后续调用时只传入参数,而不更改模型结构。

而改为Model API后:
base_network_1 = create_base_network(input_1)
...
base_network_6 = create_base_network(input_6)

前面定义的 def create_base_network( inputs),并未进行实例化,后续相当于创建了6次相关网络层,应该先实例化,应当改为以下部分:

# 建立网络共享层
x1 = Conv2D(64, 5, activation = 'relu', padding = 'same', name= 'conv1')
x2 = Conv2D(128, 4, activation = 'relu', padding = 'same', name = 'conv2')
x3 = Conv2D(256, 4, activation = 'relu', padding = 'same', name = 'conv3')
x4 = Conv2D(64, 1, activation = 'relu', padding = 'same', name = 'conv4')
x5 = MaxPooling2D(2, 2)
x6 = Flatten()
x7 = Dense(512, activation = 'relu')
x8 = Reshape((1, 512))input_1 = Input(shape = img_size)   # 得到6个输入
input_2 = Input(shape = img_size)
input_3 = Input(shape = img_size)
input_4 = Input(shape = img_size)
input_5 = Input(shape = img_size)
input_6 = Input(shape = img_size)base_network_1 = x8(x7(x6(x5(x4(x3(x2(x1(input_1))))))))
base_network_2 = x8(x7(x6(x5(x4(x3(x2(x1(input_2))))))))
base_network_3 = x8(x7(x6(x5(x4(x3(x2(x1(input_3))))))))
base_network_4 = x8(x7(x6(x5(x4(x3(x2(x1(input_4))))))))
base_network_5 = x8(x7(x6(x5(x4(x3(x2(x1(input_5))))))))
base_network_6 = x8(x7(x6(x5(x4(x3(x2(x1(input_6))))))))# 输入连接
out_all = Concatenate(axis = 1)(                            # 维度不变, 维度拼接,第一维度变为原来的6[base_network_1, base_network_2, base_network_3, base_network_4, base_network_5, base_network_6])# lstm layer
lstm_layer = LSTM(128, name = 'lstm3')(out_all)
# dense layer
out_layer = Dense(3, activation = 'softmax', name = 'out')(lstm_layer)
model = Model(inputs = [input_1, input_2, input_3, input_4, input_5, input_6], outputs = out_layer)  # 6个输入
model.summary()

总结

Keras里的函数模型,如果想要多个输入共享多个网络层,
还是得将各个层实例化,不能偷懒。。。

这篇关于关于Keras里的Sequential(序列模型)转化为Model(函数模型)的问题的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/663352

相关文章

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

SpringBoot启动报错的11个高频问题排查与解决终极指南

《SpringBoot启动报错的11个高频问题排查与解决终极指南》这篇文章主要为大家详细介绍了SpringBoot启动报错的11个高频问题的排查与解决,文中的示例代码讲解详细,感兴趣的小伙伴可以了解一... 目录1. 依赖冲突:NoSuchMethodError 的终极解法2. Bean注入失败:No qu

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

GORM中Model和Table的区别及使用

《GORM中Model和Table的区别及使用》Model和Table是两种与数据库表交互的核心方法,但它们的用途和行为存在著差异,本文主要介绍了GORM中Model和Table的区别及使用,具有一... 目录1. Model 的作用与特点1.1 核心用途1.2 行为特点1.3 示例China编程代码2. Tab

MySQL新增字段后Java实体未更新的潜在问题与解决方案

《MySQL新增字段后Java实体未更新的潜在问题与解决方案》在Java+MySQL的开发中,我们通常使用ORM框架来映射数据库表与Java对象,但有时候,数据库表结构变更(如新增字段)后,开发人员可... 目录引言1. 问题背景:数据库与 Java 实体不同步1.1 常见场景1.2 示例代码2. 不同操作

Android Kotlin 高阶函数详解及其在协程中的应用小结

《AndroidKotlin高阶函数详解及其在协程中的应用小结》高阶函数是Kotlin中的一个重要特性,它能够将函数作为一等公民(First-ClassCitizen),使得代码更加简洁、灵活和可... 目录1. 引言2. 什么是高阶函数?3. 高阶函数的基础用法3.1 传递函数作为参数3.2 Lambda

如何解决mysql出现Incorrect string value for column ‘表项‘ at row 1错误问题

《如何解决mysql出现Incorrectstringvalueforcolumn‘表项‘atrow1错误问题》:本文主要介绍如何解决mysql出现Incorrectstringv... 目录mysql出现Incorrect string value for column ‘表项‘ at row 1错误报错

如何解决Spring MVC中响应乱码问题

《如何解决SpringMVC中响应乱码问题》:本文主要介绍如何解决SpringMVC中响应乱码问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Spring MVC最新响应中乱码解决方式以前的解决办法这是比较通用的一种方法总结Spring MVC最新响应中乱码解

pip无法安装osgeo失败的问题解决

《pip无法安装osgeo失败的问题解决》本文主要介绍了pip无法安装osgeo失败的问题解决,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 进入官方提供的扩展包下载网站寻找版本适配的whl文件注意:要选择cp(python版本)和你py

Java强制转化示例代码详解

《Java强制转化示例代码详解》:本文主要介绍Java编程语言中的类型转换,包括基本类型之间的强制类型转换和引用类型的强制类型转换,文中通过代码介绍的非常详细,需要的朋友可以参考下... 目录引入基本类型强制转换1.数字之间2.数字字符之间引入引用类型的强制转换总结引入在Java编程语言中,类型转换(无论