Python 如何在不制作模型的情况下使用Keras图层

我想使用Keras层而不制作模型。每次我看到与Keras相关的示例时，我都会看到它们以模型形式出现，如下所示：

model = Sequential()
model.add(Conv2D(2, kernel_size=(3, 3),activation='relu',
                 input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2)))
....

model.compile(loss=keras.losses.binary_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])
model.fit(x_train, y_train,batch_size=batch_size,epochs=epochs,verbose=1,)

---

这样，我们首先定义

输入

，然后建模，然后

编译

，最后

拟合

。但假设我必须执行maxpooling操作，我只有一个大小为56*64的灰度图像，即以4d张量形式（1,56,64,1）输入。那么如何使用Keras

MaxPooling2D

layer执行maxpooling操作呢

您可以仅使用

MaxPooling2D

创建模型，并进行

预测（不使用
fit
）：

编译
根本不起作用

完整代码
@Hitesh评论中的示例：

from keras.models import Sequential
from keras.layers import MaxPooling2D
import numpy as np

image=np.random.rand(1, 56, 64, 1)
input_shape=(56,64,1)

model = Sequential()
model.add(MaxPooling2D(pool_size=(2, 2), input_shape=input_shape))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])

pooled = model.predict(image)

您可以使用函数式API执行此操作：只需定义
input
，然后执行以下操作：

maxpooled = MaxPooling2D(...)(input)
maxpooled.eval(feed_dict={input: input_image}, session=...)

顺便说一句，使用Keras来实现这一点有点过分，因为它是一个用于构建
模型的工具包。使用tensorflow或任何其他深度学习框架，您无需keras即可轻松完成此操作。
我知道tf.nn.max_pool很有用，但我也不知道如何使用它。这一工作原理，示例代码如下：from keras.models import Sequential from keras.layers import maxpoolig2d import numpy as np image=np.rand（1，56，64，1）input_shape=（56,64,1）model=Sequential（）model.add（MaxPooling2D（pool_size=（2,2），input_shape=input_shape））model.compile（loss='classifical_crossentropy'，optimizer='rmsprop'，metrics=['accurity']）pooled=model.predict（图像）你能看看我的问题吗：。我没有得到答案
maxpooled = MaxPooling2D(...)(input)
maxpooled.eval(feed_dict={input: input_image}, session=...)