Python Tensorflow-Keras断开图

Tensorflow版本：2.x

Python:3.7.4

断开图形：我试图复制下面的模型架构，但当我试图在Keras中绘制模型时，右侧部分似乎断开。我已经将隐藏矩阵HQ（用于提问）和HA（用于回答）作为输入传递到注意层（我们可以在下面的摘要中看到共同注意层的输入-输入形状是（512600）和（512600），并且共同注意输出形状对于矩阵CQ和CA也是相同的）。请帮我理解这一点。这需要纠正还是可以忽略

最终型号：

预期模型架构：

模型生成的图形：为什么右侧断开连接？请帮我理解。我并没有在问答的双向层之后使用连接层，但我只是将两个双向层的输出矩阵作为输入传递给注意层，如上所述。

问题更新为协同注意层代码，如下所示：

这里，HQ和HA是两个独立双向层的隐藏状态矩阵/输出，正如我们在模型架构中看到的

class coattention(tf.keras.layers.Layer):

    def __init__(self):
        super(coattention, self).__init__()

    def call(self, HQ, HA):  

        L = tf.linalg.matmul(HA, HQ, transpose_a = True, transpose_b = False)
        AQ = tf.nn.softmax(L, axis = 1)
        AA = tf.nn.softmax(tf.transpose(L), axis = 1)

        CQ = tf.linalg.matmul(HA, AQ, transpose_a = False, transpose_b = False)
        CA = tf.linalg.matmul(HQ, AA, transpose_a = False, transpose_b = False)

        return CQ, CA


coattention_layer = coattention()
CQ, CA = coattention_layer(HQ, HA)
print ("Shape of Context vector of Question (CQ): ", CQ.shape)
print ("Shape of Context vector of Answer   (CA): ", CA.shape)

问题上下文向量的形状（CQ）：（512600）

---

答案的上下文向量形状（CA）：（512600）

因为您没有提供代码，我相信您忘了调用双向_7层作为输入的协同注意层

以下是示例代码

Ha = Input(shape=(1,2,3), name='Ha')
Hq = Input(shape=(1,2,3), name='Hq')

your_coattention_layer = Dense(12, name='your_coattention_layer')

# this part that I think you forgot
Ca = your_coattention_layer(Ha)
cQ = your_coattention_layer(Hq)


out1 = Dense(123, name='your_Ca_layer')(Ca)
out2 = Dense(123, name='your_Cq_later')(cQ)
M = Model(inputs=[Ha,Hq], outputs=[out1,out2])
M.summary()

from keras.utils import plot_model
plot_model(M, to_file='Example.png')

这是模型图片。

---

不要认为它应该断开连接，介意在模型定义上共享您的代码吗（特别是在协同注意层）？@emilyfy-我现在为相关的注意层添加了代码。你现在可以看一下吗。我的协同注意层生成/返回CA和CQ，因此我在一行中同时输入HA和HQ。但不知何故，在图形中，它只在左侧显示一个连接，而在右侧不显示。@Ronakrit的评论是对的，如果有多个变量，我通常将输入包装在一个列表中。您可以尝试将其定义为

def call（self，inputs）：HQ，HA=inputs[0]，inputs[1]

@emilyfy-它成功了。非常感谢。我现在添加了有关注意层的代码。你现在可以看一下吗。我的协同注意层生成/返回CA和CQ，因此我在一行中同时输入HA和HQ。但不知何故，在图形中，它只在左侧显示一个连接，而在右侧不显示。调用函数只需一个输入，您可以尝试将Hq和Ha连接在一起，并将

def-call（self，Hq，Ha）：

更改为

def-call（self，inputs）：

并修改您的代码

Ha = Input(shape=(1,2,3), name='Ha')
Hq = Input(shape=(1,2,3), name='Hq')

your_coattention_layer = Dense(12, name='your_coattention_layer')

# this part that I think you forgot
Ca = your_coattention_layer(Ha)
cQ = your_coattention_layer(Hq)


out1 = Dense(123, name='your_Ca_layer')(Ca)
out2 = Dense(123, name='your_Cq_later')(cQ)
M = Model(inputs=[Ha,Hq], outputs=[out1,out2])
M.summary()

from keras.utils import plot_model
plot_model(M, to_file='Example.png')