串联或级联多个预训练的keras模型
我正在尝试构建一组串联或级联(实际上甚至不知道这是否是正确的定义)模型。 为了简单起见,我的基本模型如下所示串联或级联多个预训练的keras模型,keras,concatenation,Keras,Concatenation,我正在尝试构建一组串联或级联(实际上甚至不知道这是否是正确的定义)模型。 为了简单起见,我的基本模型如下所示 ----Input---- | L1-1 |
----Input----
|
L1-1
|
L1-2
|
Dense
|
Softmax
我对其中7个模型进行了交叉验证培训,并尝试以级联方式对其进行总结,例如:
-----------------------Input---------------------
| | | | | | |
L1-1 L1-2 L1-3 L1-4 L1-5 L1-6 L1-7
| | | | | | |
L2-1 L2-2 L2-3 L2-4 L2-5 L2-6 L2-7
| | | | | | |
|_______|_______|_______|_______|_______|_______|
| Concatenated |
|___________________Dense Layer_________________|
|
SoftMax
每一个致密层都有512个
神经元,因此最后连接的致密层总共有7*512=3584个
神经元
我所做的是:
- 培训所有模型并将它们保存在名为
的列表中models[]
- 在所有型号中弹出底部Softmax层李>
Layer merge was called with an input that isn't a symbolic tensor.
在形成级联之后,我要做的是冻结所有中间层,除了
连接的密集层
,然后稍微调整一下。但是我被困在了所有细节中解释的地方。您需要使用函数式API模型来实现这一点。这种模型适用于张量
首先定义一个公共输入张量:
inputTensor = Input(inputShape)
然后使用此输入调用每个模型以获得输出张量:
outputTensors = [m(inputTensor) for m in models]
然后将这些张量传递到连接层:
output = Concatenate()(outputTensors)
output = Dense(...)(output)
#you might want to use an Average layer instead of these two....
output = Activation('softmax')(output)
最后,定义从开始张量到结束张量的完整模型:
fullModel = Model(inputTensor,output)
输出传感器=[m(输入传感器)适用于模型中的m]
亲爱的先生,您能澄清一下我们在这里到底在做什么吗。这意味着用输入张量调用模型以获得输出张量。谢谢。模型的行为完全像层。你“调用”一个通过张量的层。结果是输出张量。因此,假设您有一个模型m
和一个输入张量input
。下面调用模型:output=m(input)
。在这一行中,您将输入张量“传递”给模型,调用的结果是输出张量。---现在,在您提到的行中,我创建了一个输出张量列表,列表中的每个模型都有一个输出张量。该行表示:对于列表中的每个型号m
,使用inputSensor
调用此型号m
。这将创建一个输出张量列表。这正是我所需要的。谢谢你宝贵的时间。