时间戳

首页 > 解决方案 > 这两种在keras中建立模型的方式有什么区别？

python - 这两种在keras中建立模型的方式有什么区别？

问题描述

我是 Keras 的新手，在学习了一些教程后，我开始构建模型并发现了这两种实现方式。但是我在第一个中遇到错误，第二个工作正常。有人可以解释两者之间的区别吗？

第一种方法：


visible = Embedding(QsVocabSize, 1024, input_length=max_length_inp, mask_zero=True)
encoder = LSTM(100,activation='relu')(visible)

第二种方法：


model = Sequential()
model.add(Embedding(QsVocabSize, 1024, input_length=max_length_inp, mask_zero=True))
model.add(LSTM(100,activation ='relu'))

这是我得到的错误：

ValueError: Layer lstm_59 was called with an input that isn't a symbolic tensor. Received type: <class 'keras.layers.embeddings.Embedding'>. Full input: [<keras.layers.embeddings.Embedding object at 0x00000207BC7DBCC0>]. All inputs to the layer should be tensors.

标签： pythonkeraslstm

解决方案

它们是在 Keras 中创建深度学习模型的两种方式。第一个代码片段遵循函数式风格。这种风格用于创建复杂的模型，如多输入/输出、共享层等。

https://keras.io/getting-started/functional-api-guide/

第二个代码片段是顺序样式。可以创建仅涉及层堆叠的简单模型。

https://keras.io/getting-started/sequential-model-guide/

如果您阅读功能性 API 指南，您会注意到以下几点：

'图层实例是可调用的（在张量上），它返回一个张量'

现在你看到的错误是有道理的。此行仅创建层，不会通过传递张量来调用它。

visible = Embedding(QsVocabSize, 1024, input_length=max_length_inp, mask_zero=True)

随后，将此嵌入对象传递给 LSTM 层会引发错误，因为它需要一个张量。

这是功能 API 指南中的一个示例。注意输出张量从一层传递到另一层。

main_input = Input(shape=(100,), dtype='int32', name='main_input')
x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)
lstm_out = LSTM(32)(x)

推荐阅读