如何在keras中连接两层？

Posted 2023-02-16

【中文标题】如何在keras中连接两层？

【英文标题】：How to concatenate two layers in keras?

【发布时间】：2017-08-29 00:40:51

【问题描述】：

我有一个两层神经网络的例子。第一层有两个参数并有一个输出。第二个应该将一个参数作为第一层的结果和一个附加参数。它应该是这样的：

x1  x2  x3
 \  /   /
  y1   /
   \  /
    y2

所以，我创建了一个包含两层的模型并尝试将它们合并，但它返回错误：The first layer in a Sequential model must get an "input_shape" or "batch_input_shape" argument. 在行 result.add(merged)。

型号：

first = Sequential()
first.add(Dense(1, input_shape=(2,), activation='sigmoid'))

second = Sequential()
second.add(Dense(1, input_shape=(1,), activation='sigmoid'))

result = Sequential()
merged = Concatenate([first, second])
ada_grad = Adagrad(lr=0.1, epsilon=1e-08, decay=0.0)
result.add(merged)
result.compile(optimizer=ada_grad, loss=_loss_tensor, metrics=['accuracy'])

【问题讨论】：

我认为这个问题在人工智能中被称为分层融合，主要用于多模态数据。

【参考方案1】：

您收到错误是因为 result 定义为 Sequential() 只是模型的容器，而您尚未为其定义输入。

鉴于您正在尝试构建集合 result 以获取第三个输入 x3。

first = Sequential()
first.add(Dense(1, input_shape=(2,), activation='sigmoid'))

second = Sequential()
second.add(Dense(1, input_shape=(1,), activation='sigmoid'))

third = Sequential()
# of course you must provide the input to result which will be your x3
third.add(Dense(1, input_shape=(1,), activation='sigmoid'))

# lets say you add a few more layers to first and second.
# concatenate them
merged = Concatenate([first, second])

# then concatenate the two outputs

result = Concatenate([merged,  third])

ada_grad = Adagrad(lr=0.1, epsilon=1e-08, decay=0.0)

result.compile(optimizer=ada_grad, loss='binary_crossentropy',
               metrics=['accuracy'])

但是，构建具有这种类型输入结构的模型的首选方法是使用functional api。

以下是您的要求的实现，可帮助您入门：

from keras.models import Model
from keras.layers import Concatenate, Dense, LSTM, Input, concatenate
from keras.optimizers import Adagrad

first_input = Input(shape=(2, ))
first_dense = Dense(1, )(first_input)

second_input = Input(shape=(2, ))
second_dense = Dense(1, )(second_input)

merge_one = concatenate([first_dense, second_dense])

third_input = Input(shape=(1, ))
merge_two = concatenate([merge_one, third_input])

model = Model(inputs=[first_input, second_input, third_input], outputs=merge_two)
ada_grad = Adagrad(lr=0.1, epsilon=1e-08, decay=0.0)
model.compile(optimizer=ada_grad, loss='binary_crossentropy',
               metrics=['accuracy'])

回答 cmets 中的问题：

结果和合并是如何连接的？假设您的意思是它们是如何连接的。

连接的工作方式如下：

  a        b         c
a b c   g h i    a b c g h i
d e f   j k l    d e f j k l

即行刚刚加入。

现在，x1 输入到第一个，x2 输入到第二个，x3 输入到第三个。

【讨论】：

result 和 merged（或merged2）层如何在您的答案的第一部分相互连接？

和第二个问题。据我了解x1 和x2 是first_input 的输入，x3 是third_input 的输入。 second_input 呢？

second_input 通过Dense 层并与first_input 连接，first_input 也通过Dense 层。 third_input 通过一个密集层并与前一个连接的结果连接 (merged)

@putonspectacles 使用功能 API 的第二种方法有效，但是，使用顺序模型的第一种方法在 Keras 2.0.2 中不适用于我。我已经粗略地检查了实现并且调用“Concatenate([...])”并没有做太多，此外，你不能将它添加到顺序模型中。实际上，我认为在更新 Keras 之前，仍然需要使用已被贬低的方法“Merge([...], 'concat')”。你怎么看？

Keras 中Concatenate() 和concatenate() 层有什么区别？

【参考方案2】：

添加到上面接受的答案，以便它帮助那些使用tensorflow 2.0的人

import tensorflow as tf

# some data
c1 = tf.constant([[1, 1, 1], [2, 2, 2]], dtype=tf.float32)
c2 = tf.constant([[2, 2, 2], [3, 3, 3]], dtype=tf.float32)
c3 = tf.constant([[3, 3, 3], [4, 4, 4]], dtype=tf.float32)

# bake layers x1, x2, x3
x1 = tf.keras.layers.Dense(10)(c1)
x2 = tf.keras.layers.Dense(10)(c2)
x3 = tf.keras.layers.Dense(10)(c3)

# merged layer y1
y1 = tf.keras.layers.Concatenate(axis=1)([x1, x2])

# merged layer y2
y2 = tf.keras.layers.Concatenate(axis=1)([y1, x3])

# print info
print("-"*30)
print("x1", x1.shape, "x2", x2.shape, "x3", x3.shape)
print("y1", y1.shape)
print("y2", y2.shape)
print("-"*30)

结果：

------------------------------
x1 (2, 10) x2 (2, 10) x3 (2, 10)
y1 (2, 20)
y2 (2, 30)
------------------------------

【参考方案3】：

您可以尝试model.summary()（注意 concatenate_XX（连接）层大小）

# merge samples, two input must be same shape
inp1 = Input(shape=(10,32))
inp2 = Input(shape=(10,32))
cc1 = concatenate([inp1, inp2],axis=0) # Merge data must same row column
output = Dense(30, activation='relu')(cc1)
model = Model(inputs=[inp1, inp2], outputs=output)
model.summary()

# merge row must same column size
inp1 = Input(shape=(20,10))
inp2 = Input(shape=(32,10))
cc1 = concatenate([inp1, inp2],axis=1)
output = Dense(30, activation='relu')(cc1)
model = Model(inputs=[inp1, inp2], outputs=output)
model.summary()

# merge column must same row size
inp1 = Input(shape=(10,20))
inp2 = Input(shape=(10,32))
cc1 = concatenate([inp1, inp2],axis=1)
output = Dense(30, activation='relu')(cc1)
model = Model(inputs=[inp1, inp2], outputs=output)
model.summary()

您可以在此处查看笔记本以了解详细信息： https://nbviewer.jupyter.org/github/anhhh11/DeepLearning/blob/master/Concanate_two_layer_keras.ipynb

【讨论】：

Keras 中的Concatenate() 和concatenate() 层有什么区别？

你分清楚区别了吗，一个是Keras类，另一个是tensorflow方法