如何在keras中连接两层?

Posted

技术标签:

【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】:

resultmerged(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x1x2first_input 的输入,x3third_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()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)
------------------------------

【讨论】:

【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()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

以上是关于如何在keras中连接两层?的主要内容,如果未能解决你的问题,请参考以下文章

如何在 keras 中拟合两个连接 LSTM 的模型?

RNN:连接层

如何在 Keras、RepeatVector 或 return_sequence=True 中连接 LSTM 层?

如何使用 Keras 实现深度双向 LSTM?

在 Keras 中添加 vs 连接层

Keras:如何将 CNN 模型与决策树连接起来