Deep learning mnist情况下自动编码器模型中解码器层的定义

我试图按照中给出的示例构建自动编码器模型

input_img = Input(shape=(784,))
encoded = Dense(128, activation='relu')(input_img)
encoded = Dense(64, activation='relu')(encoded)
encoded = Dense(32, activation='relu')(encoded)
decoded = Dense(64, activation='relu')(encoded)
decoded = Dense(128, activation='relu')(decoded)
decoded = Dense(784, activation='sigmoid')(decoded)

# this model maps an input to its reconstruction
autoencoder = Model(input=input_img, output=decoded)

encoded_input = Input(shape=(encoding_dim,))
decoder_layer = autoencoder.layers[-1]
decoder = Model(input=encoded_input, output=decoded)
autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')

我所做的修改是

decoder=Model（input=encoded\u-input，output=decoded）

，在最初的帖子中写为

decoder=Model（input=encoded\u-input，output=decoder\u-layer（encoded\u-input））

。以前的版本适用于单个隐藏层。这就是我进行上述修改的原因。但是，编译上述模型会产生以下错误消息。非常感谢您的任何建议

 Traceback (most recent call last):
 File "train.py", line 37, in <module>
 decoder = Model(input=encoded_input, output=decoded)
 File "tfw/lib/python3.4/site-packages/Keras-1.0.3-py3.4.egg/keras/engine/topology.py", line 1713, in __init__
str(layers_with_complete_input))
Exception: Graph disconnected: cannot obtain value for tensor Tensor("input_1:0", shape=(?, 784), dtype=float32) at layer "input_1". The following previous layers were accessed without issue: []

回溯（最近一次呼叫最后一次）：
文件“train.py”，第37行，在
解码器=模型（输入=编码\输入，输出=解码）
文件“tfw/lib/python3.4/site packages/Keras-1.0.3-py3.4.egg/Keras/engine/topology.py”，第1713行，在__
str（带有完整输入的图层）
异常：图形已断开连接：无法获取“input_1”层的张量张量值（“input_1:0”，shape=（？，784），dtype=float32）。访问以下以前的层时没有问题：[]

我也遇到了同样的问题，并设法找到了一个混乱但有效的解决方案。将定义解码器的行更改为：

decoder = Model(input=encoded_input, output=autoencoder.layers[6](autoencoder.layers[5](autoencoder.layers[4](encoded_input))))

您看到的错误表明存在断开连接的图形。在这种情况下，输入张量（定义为

encoded_input

）被直接馈送到最终输出张量（定义为最终解码层）（784维的密集层）。跳过中间张量（64维和128维的密集层）。我的解决方案嵌套了这些层，以便每个层都作为下一层的输入，而最内层的张量将

编码的\u输入作为输入