Tensorflow 更改自定义图层KERA的培训和测试行为

我试图在培训和测试期间改变我的Keras模型的行为

更准确地说，我只想在训练期间评估预测，并添加另一个Lambda层（作为一种后处理）进行测试

我找到了一个解决方案，其中

K.function

接收指定的

K.learning\u phase（）

并返回一个输出。据我所知，使用

K.in_test_phase（）

或

K.in_training_phase（）

将根据传递的训练参数返回第一个或第二个参数（）

我在TF2.0上作为后端运行，所以在默认情况下启用了急切执行。尽管如此， 通过

K.learning_phase（）

会导致错误，如前所述，请参阅。因此，我使用

tensorflow.python.keras.symbolic\u learning\u phase（）

，这似乎有效。 我目前能够通过

K.function（）

获得输出，但我的目标是执行

model.fit（）

，以训练我的模型，然后调用

model.evaluate（）

（我正在使用Keras的函数API）

基于学习标志，如何正确地训练和测试我的模型

目前我的MWE是：

def build_model(images, training=None):

    input_layer = Input(shape=(256,256,3), dtype="float32", batch_size=80)

    ...
    #performing some factor disentanglement here


    angle_pred = UpSampling2D(size=(8, 8), interpolation='bilinear')(angle)
    radius_pred = UpSampling2D(size=(8, 8), interpolation='bilinear')(radius)

    angle_radius_stack = tf.stack([angle_pred, radius_pred], 0)
    hough_voting = Lambda(hough_vote)((angle_radius_stack, images))
    train_test = K.in_test_phase(hough_voting, angle_radius_stack, training = training)

    angle_v, radius_v = tf.unstack(train_test)

    model = Model(inputs=input_layer, outputs=[angle_v, radius_v])
    adam = Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, amsgrad=False)
    model.compile(optimizer=adam, loss='mean_absolute_error', metrics=['accuracy'], run_eagerly=True) 
    return model

然后使用培训：

def train_model(model, patches, radii, angles):

    fun = K.function([model.layers[0].input, B.symbolic_learning_phase()], [model.layers[-1].output])
    print(fun([patches[0:80,:,:,:], True]))

    model.fit(patches, [radii, angles], batch_size=80, epochs=1)