时间戳

首页 > 解决方案 > 用 tensorflow.keras 连接两个模型

python - 用 tensorflow.keras 连接两个模型

问题描述

我目前正在使用 MNIST 数据集研究用于图像分析的神经网络模型。我首先只使用图像来构建第一个模型。然后我创建了一个附加变量，即：当数字实际上在 0 和 4 之间时为 0，当它大于或等于 5 时为 1。

因此，我想建立一个可以获取这两个信息的模型：数字的图像，以及我刚刚创建的附加变量。

我创建了两个第一个模型，一个用于图像，一个用于外生变量，如下所示：

import tensorflow as tf
from tensorflow import keras


image_model = keras.models.Sequential()

#First conv layer :
image_model.add( keras.layers.Conv2D( 64, kernel_size=3,
                                               activation=keras.activations.relu,
                                      input_shape=(28, 28, 1) ) )

#Second conv layer :
image_model.add( keras.layers.Conv2D( 32, kernel_size=3, activation=keras.activations.relu ) )

#Flatten layer :
image_model.add( keras.layers.Flatten() )

print( image_model.summary(), '\n' )




info_model = keras.models.Sequential()

info_model.add( keras.layers.Dense( 5, activation=keras.activations.relu, input_shape=(1,) ) )

print( info_model.summary() )

然后我想连接两个最终层，最后用 softmax 放置另一个密集层来预测类概率。

我知道使用 Keras 函数 API 是可行的，但是如何使用 tf.keras 来做到这一点？

标签： pythontensorflowkeras

解决方案

您可以在 TF 中轻松使用 Keras 的功能 API（使用 TF 2.0 测试）：

import tensorflow as tf

# Image
input_1 = tf.keras.layers.Input(shape=(28, 28, 1))
conv2d_1 = tf.keras.layers.Conv2D(64, kernel_size=3,
                                  activation=tf.keras.activations.relu)(input_1)

# Second conv layer :
conv2d_2 = tf.keras.layers.Conv2D(32, kernel_size=3,
                                  activation=tf.keras.activations.relu)(conv2d_1)

# Flatten layer :
flatten = tf.keras.layers.Flatten()(conv2d_2)

# The other input
input_2 = tf.keras.layers.Input(shape=(1,))
dense_2 = tf.keras.layers.Dense(5, activation=tf.keras.activations.relu)(input_2)

# Concatenate
concat = tf.keras.layers.Concatenate()([flatten, dense_2])

n_classes = 4
# output layer
output = tf.keras.layers.Dense(units=n_classes,
                               activation=tf.keras.activations.softmax)(concat)

full_model = tf.keras.Model(inputs=[input_1, input_2], outputs=[output])

print(full_model.summary())

这为您提供了您正在寻找的模型。

推荐阅读