tensorflow - 如何通过 Keras 1 和 Keras 2 使用 Conv1D 获得相同的结果

Question

我首先使用 keras 1.2.0 在 CPU 上运行相同的代码（具有相同的数据），然后在两个代码中使用 keras 2.0.3 keras 与 TensorFlow 后端。问题来自 Conv1D，许多参数发生变化，我想从 keras 1.2.0 重现相同的 Conv1D。因为我与 keras 2 没有相同的结果。

这是我在 Keras 1 上的代码：

def core_model_CNN(sequence_input
               ,sequence_length 
               ,vocabulary_size
               ,n_out
                ,embedding_dim 
                ,embedding_matrix
                ,filter_sizes = [1,2,3]
                ,num_filters = 100
                ,drop = 0.1) :
    

    embedding =  Embedding(input_dim=vocabulary_size, output_dim=embedding_dim
                           , input_length=sequence_length,weights=[embedding_matrix],trainable=False)
                  
    embedded_sequences = embedding(sequence_input)
   


    filter_sizes = filter_sizes
    convs = []
    for fsz in filter_sizes:
        conv = Conv1D(nb_filter=32,
                         filter_length=fsz,
                         border_mode='valid',
                         activation='relu',
                         subsample_length=1)(embedded_sequences)
        pool = MaxPooling1D(pool_length=sequence_length-fsz+1)(conv)
        flattenMax = Flatten()(pool)
        convs.append(flattenMax)

    l_merge = concatenate(convs, axis=1)
    #flatten = Flatten()(l_merge)
    dense1= Dense(300,activation='swish')(l_merge)
    dense1=BatchNormalization()(dense1)
    dense1= Dense(250,activation='swish')(dense1)
    dense1=BatchNormalization()(dense1)
    dense1= Dense(200,activation='swish')(dense1)
    dense1=BatchNormalization()(dense1)
    dense1= Dense(150,activation='swish')(dense1)
    dense1=BatchNormalization()(dense1)
    dense1= Dense(100,activation='swish')(dense1)
    dense1=BatchNormalization()(dense1)
    output = Dense(units=n_out, activation='softmax',kernel_regularizer=regularizers.l2(2),)(dense1)

         
    return output

在 Keras 2 上它变成

        conv = tf.keras.layers.Conv1D(filters=params['nb_filter'],
                                      kernel_size=fsz,
                                      padding='valid',
                                      activation='relu',
                                      bias_initializer='zeros',
                                      strides=1)(embedded_sequences)
        pool = tf.keras.layers.MaxPooling1D(pool_size=sequence_length-fsz+1)(conv)

我按照此链接进行了修改，但我没有相同的结果。

标签： tensorflowkerasconv-neural-networkkeras-layer