Python Keras：从矩阵中的模型输出中获取最大值

我不太确定什么是这个问题的最佳标题，但我想将模型的输出作为另一层的输入进行处理。我目前正在做下面的工作，但想更新一下信息。为了简单起见，我简化了模型。假设我们对

5x5

和

9

通道进行输入，其输出是

5x5

和

6

通道，以及

5x5

和

2

通道

我的问题是我想处理

模型\u output1

，得到每个通道中的最大值，并且只有1和0（作为第二个模型的输入之一）

例如，为了简单起见，我们有一个带有3个通道的2x2

[[[0, 1],
  [9, 3]]

 [[2, 5],
  [5, 4]]

 [[4, 2],
  [8, 7]]]

我想将其转换为0和1，其中1表示相对于通道轴的最大值。因此，对于上面的示例，我想得到：

[[[0, 0],
  [1, 0]]

 [[0, 1],
  [0, 0]]

 [[1, 0],
  [0, 1]]]

我试图用

.eval（）

或

.numpy（）

将

模型输出1

转换为一个numpy数组，但我一直在出错。我使用的是

tensorflow gpu 2.1.0

。如果我能把它转换成numpy，我知道如何用numpy来做

另一个解决方案是只拥有两个独立的模型。在这里，我可以使用.predict获得

model\u output1

，然后对其进行操作以获得我想要的并将其输入到第二个模型。但不确定这是否有效

总之，我怎样才能将张量

模型输出1

转换成我想要的格式呢？是否可以使用一些

tf.math

函数，而不将其转换为numpy数组？如果不是，如何将其转换为numpy数组而不抛出任何错误？或者我最好的选择是使用两个不同的模型，然后再处理第一个输出。预测并处理它，使之成为我想要的输入

from keras.models import Model
from keras.layers import Dense, Conv2D, Input
from keras.layers.merge import concatenate
from keras.optimizers import Adam
import tensorflow as tf
import numpy as np

def build_model():
    model_input = Input(shape=(5, 5, 9))

    input_hidden = Conv2D(8, kernel_size=3, activation='relu', padding='same')(model_input )
    model_output1 = Dense(6, activation='softmax')(input_hidden)

    input_hidden2 = concatenate(inputs=[model_input, model_output1], axis=3)
    model_output2 = Dense(2, activation='softmax')(input_hidden2 )

    model = Model(inputs=model_input, outputs=[model_output1 , model_output2 ])

    model.compile(loss='mse', optimizer=Adam(lr=0.001))

    return model

模型摘要：

Model: "model_1"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            (None, 5, 5, 9)      0                                            
__________________________________________________________________________________________________
conv2d_1 (Conv2D)               (None, 5, 5, 8)      656         input_1[0][0]                    
__________________________________________________________________________________________________
dense_1 (Dense)                 (None, 5, 5, 6)      54          conv2d_1[0][0]                   
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 5, 5, 15)     0           input_1[0][0]                    
                                                                 dense_1[0][0]                    
__________________________________________________________________________________________________
dense_2 (Dense)                 (None, 5, 5, 2)      32          concatenate_1[0][0]              
==================================================================================================
Total params: 742
Trainable params: 742
Non-trainable params: 0
__________________________________________________________________________________________________

---

我想很简单，你的问题是给出一个带有形状（B，m，n，c）的层输出，设计一个小模块，它给我相同形状的输出，但张量中的所有内容都是0或1（根据你的标准）。不必要的模型部分可以完全忽略

您可以在模型中使用所有

tensorflow

后端函数。以下是我设计的一个简单模块：

输入层是（2，2，3）

获取通道中输入的最大值（轴=-1），这将为我提供输出形状（2,2）

展开“最大输出”的维度并连接以获得与输入形状相同的矩阵（2、2、3）

然后，我们将+1添加到输入，并从中减去串联的最大张量

它将给我们一个与输入（2,2,3）形状相同的张量，但通道最大值的每个位置现在将包含1，其他每个值将为-或0

最后，我们应用

relu

激活来获得所需的输出

输出：

---

我想很简单，你的问题是给出一个带有形状（B，m，n，c）的层输出，设计一个小模块，它给我相同形状的输出，但张量中的所有内容都是0或1（根据你的标准）。不必要的模型部分可以完全忽略

您可以在模型中使用所有

tensorflow

后端函数。以下是我设计的一个简单模块：

输入层是（2，2，3）

获取通道中输入的最大值（轴=-1），这将为我提供输出形状（2,2）

展开“最大输出”的维度并连接以获得与输入形状相同的矩阵（2、2、3）

然后，我们将+1添加到输入，并从中减去串联的最大张量

它将给我们一个与输入（2,2,3）形状相同的张量，但通道最大值的每个位置现在将包含1，其他每个值将为-或0

最后，我们应用

relu

激活来获得所需的输出

输出：

---

当我使用“from keras.layers import Input，Concatenate，Subtract，Activation”声明尝试您的解决方案时，我得到了一个错误“AttributeError:“NoneType”对象在“model=model（ip，neg2zero）”行中没有属性“\u inbound_nodes”，请使用

tensorflow.keras

，

keras

已经有很多bug，在与

tf

合并后很快就会过时。另外，您清楚地提到，您使用的是

tensorflow 2.0

。啊，好吧，我不知道。这确实解决了这个问题，很抱歉造成混乱。但现在我得到了一个错误：ValueError:attr'T'DT_INT32与DT_FLOAT的值不一致，而使用Op输出构建nodedeef'Max'：T；attr=keep_dims:bool，默认值=false；attr=T:type，allowed=[DT_FLOAT，DT_DOUBLE，DT_INT32，DT_UINT8，DT_INT16，…，DT_UINT16，DT_COMPLEX128，DT_HALF，DT_UINT32，DT_UINT64]；attr=Tidx:type，default=DT_INT32，allowed=[DT_INT32，DT_INT64]>“对于行‘y=model（x）’我在google colab上运行了我的代码，它有tensorflow版本

2.2.0-rc4

，运行我的确切代码会出错吗？@user1179317，是的，我能够在tensorflow 2.1中重现错误，我修复了代码。现在检查。当我使用“from keras.layers import Input，Concatenate，Subtract，Activation”声明尝试您的解决方案时，我得到一个错误“AttributeError:“NoneType”对象在“model=model（ip，neg2zero）”行中没有属性“\u inbound_nodes”，请使用

tensorflow.keras

，

keras

已经有很多bug，在与

tf

合并后很快就会过时。另外，您清楚地提到，您使用的是

tensorflow 2.0

。啊，好吧，我不知道。这确实解决了这个问题，很抱歉造成混乱。但现在我得到了一个错误：ValueError:attr'T'DT_INT32与DT_FLOAT的值不一致，而使用Op输出构建nodedeef'Max'：T；attr=keep_dims:bool，默认值=false；attr=T:type，allowed=[DT_FLOAT，DT_DOUBLE，DT_INT32

import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import *
from tensorflow.keras.models import *

ip = Input((2,2,3))
mx = tf.keras.backend.max(ip, axis = -1)
a1 = tf.expand_dims(mx, -1)
cat = Concatenate(axis = -1)([a1, a1, a1])
ip_add1 = tf.math.add(ip, 1)
sub = Subtract()([ip_add1, cat])
neg2zero = Activation('relu')(sub)

model = Model(ip, neg2zero)

x = np.transpose(np.array([
  [[0, 1],
  [9, 3]],

 [[2, 5],
  [5, 4]],

 [[4, 2],
  [8, 7]]], dtype = np.float32)) # your matrix need to be transposed as it had wrong order

print(x)
print(x.shape)
y = model(x)
print(y)

[[[0 2 4]
  [9 5 8]]

 [[1 5 2]
  [3 4 7]]]
(2, 2, 3)
WARNING:tensorflow:Model was constructed with shape (None, 2, 2, 3) for input Tensor("input_20:0", shape=(None, 2, 2, 3), dtype=float32), but it was called on an input with incompatible shape (2, 2, 3).
tf.Tensor(
[[[0. 0. 1.]
  [1. 0. 0.]]

 [[0. 1. 0.]
  [0. 0. 1.]]], shape=(2, 2, 3), dtype=float32)