Keras Lambda层可以用来处理输入的数据和形状吗？

我想用Keras和tensorflow从两个现有网络（模型）a和B中创建一个新网络。新网络的架构是这样的

输入->A->B->输出

A的输出形状为（15500），B的输入形状为（1000）。我有一个转换方法，它接受shape（15100）的输入，调用一个完全不同的网络（C）的predict，然后返回shape（1000）的输出

我假设我必须引入一个Lambda层，它将使用我的转换方法将a的输出转换为B所需的格式。但是，当我尝试这样做时，我得到了一个错误

TypeError:在转换方法中调用predict时/：“Dimension”和“float”的操作数类型不受支持

这是转换方法

def convert(x):
    C = load_model("path/to/the/network/C.h5")
    return C.predict(x)

我不确定这是否是正确的做法，如果是，那么为什么会出现这种错误。如果这不是正确的方法，那么，我的方法应该是什么

Keras版本：2.0.1 Tensorflow版本：1.0.1

---

谢谢，

我假设您没有尝试将C作为新网络的一部分进行培训（我们称之为D）。我想这就是你想要的

 A
 | 
(C) # transform step. a non-trainable keras model
 |
 B
 |
out

注：变量名称来自原始答案部分的示例

更新，是的，原始答案中的代码仅使用

模型1

中的

密集\u 2

层

这不是你想要的，所以我去挖了。答案很简单

• 荷载C及其重量
• 更新模型的输出，以便我们可以将任意层设置为输出
• 使用

  layer.trainable=False

  将C的层设置为不可训练
• 最后，像调用层

  model_1（inp2）

下面是更新的原始答案中的示例，为了证明C中的权重不可训练，我们将打印

model_1.summary（）

下面是这种方法的一个快速示例：请注意，您必须 确保图层形状兼容

你可以想象这是C模式

from keras.models import Model
from keras.layers import (Lambda, Dense, Input)

inp = Input(shape=(5,))
lam = Lambda(lambda x: x + 2, name='lamb')(inp)
den = Dense(1, name='dense')(lam) # this is the `model_` output
model_1 = Model(inp, den)
model_1.compile(loss='mse', optimizer='adam')

我们将获取

lam

层的输出 并将其用作下面D中的转换步骤：

inp2 = Input(shape=(5, ))
# grab the 'dense' layer from `model_1` 
sums = Lambda(lambda x: model_1.get_layer(name='dense')(x))(inp2)
den2 = Dense(1)(sums)
model_2 = Model(inp2, sums)
model_2.compile(loss='mse', optimizer='adam')
model_2.summary()

---

不，如果C是一个可训练的网络，那么转换方法将不起作用。我们需要更多细节，C的架构是什么？@PutonSpectales我有一个带有RNN层的自动编码器。它的架构是（输入->退出->LSTM->密集->密集->重复向量->LSTM）。C具有前5层，用于从编码器层获取输出。也就是说，C=Model（输入，Model.get_layer（'densite_2'）.output）好的，那么你有3个网络A，B，C，你的目标是训练一个网络D:input->A->B->output。但是，在训练D的同时，您还希望将C的预测（输入）作为网络转换的一部分。我说得对吗？你说得对！在转换步骤中，我想要模型C的子集（前几层）的输出，而不仅仅是第n层。也就是说，如果经过训练的网络C有层C1->C2->C3->C4->C5->C6->C7，我想在我的D中使用子模型（C1->C2->C3->C4-C5）的输出。你上面的例子，在D网络中，你只需要“密集”层，在我想，我们需要考虑网络之前的所有层次，只是纠正我以前的赞扬中的最后一句话。在上面的例子中，在D网络中，你只需要使用“稠密”层，因为我认为我们需要在“致密”层之前考虑所有的层，我认为你原来的答案会有点改变。D中的层“sums=Lambda（Lambda x:model_1.get_layer（name='densite'）（x））（inp2）”可以替换为“sums=Lambda（Lambda x:intermediate_model（x））（inp2）”，其中中间层是模型（C.input，C.get_layer（'densite'）。output）。我假设lambda层在默认情况下是不可训练的。但是，不确定。我将把可训练标志标记为false，然后再试一次。@Fasil那么新的答案对你不起作用了？你遇到了什么问题？我还没有尝试新的答案。我尝试了你最初的建议，只是做了一些我在上一篇文章中提到的小改动。培训正在进行中。一旦我完成了训练，我一定会尝试新的答案并将结果发布在这里。非常感谢你的回答。

from keras.models import Model
from keras.layers import (Lambda, Dense, Input)

inp = Input(shape=(5,))
lam = Lambda(lambda x: x + 2, name='lamb')(inp)
den = Dense(1, name='dense')(lam) # this is the `model_` output
model_1 = Model(inp, den)
model_1.compile(loss='mse', optimizer='adam')

inp2 = Input(shape=(5, ))
# grab the 'dense' layer from `model_1` 
sums = Lambda(lambda x: model_1.get_layer(name='dense')(x))(inp2)
den2 = Dense(1)(sums)
model_2 = Model(inp2, sums)
model_2.compile(loss='mse', optimizer='adam')
model_2.summary()