Keras 输入层和 TensorFlow 占位符之间的区别

Posted 2023-02-23

【中文标题】Keras 输入层和 TensorFlow 占位符之间的区别

【英文标题】：Difference Between Keras Input Layer and Tensorflow Placeholders

【发布时间】：2017-11-25 04:07:12

【问题描述】：

我希望有人能解释 Keras 中的输入层和 Tensorflow 中的占位符之间的区别（如果有的话）？

我调查得越多，两者看起来就越相似，但到目前为止，我都不是 100% 相信的。

以下是我观察到的支持输入层和 tf 占位符相同的说法：

1) keras.Input() 返回的张量可以像 tf.Session 的 run 方法的 feed_dict 中的占位符一样使用。这是一个使用 Keras 的简单示例的一部分，它添加了两个张量（a 和 b）并将结果与​​第三个张量（c）连接起来：

model = create_graph()

con_cat = model.output[0]
ab_add = model.output[1]

# These values are used equivalently to tf.Placeholder() below
mdl_in_a = model.input[0] 
mdl_in_b = model.input[1]
mdl_in_c = model.input[2]

sess = k.backend.get_session()


a_in = rand_array() # 2x2 numpy arrays
b_in = rand_array()
c_in = rand_array()
a_in = np.reshape( a_in, (1,2,2))
b_in = np.reshape( b_in, (1,2,2))
c_in = np.reshape( c_in, (1,2,2))

val_cat, val_add = sess.run([con_cat, ab_add], 
               feed_dict=  mdl_in_a: a_in, mdl_in_b: b_in, mdl_in_c: c_in)

2) Tensorflow Contrib 关于 Keras Input Layer 的文档在其参数描述中提到了占位符：

"sparse: 一个布尔值，指定占位符是否 要创建的是稀疏的”

以下是我观察到的支持输入层和 tf 占位符不一样的说法：

1) 我看到人们使用 tf.Placeholder 代替输入层返回的张量。比如：

a_holder = tf.placeholder(tf.float32, shape=(None, 2,2))
b_holder = tf.placeholder(tf.float32, shape=(None, 2,2))
c_holder = tf.placeholder(tf.float32, shape=(None, 2,2))

model = create_graph()

con_cat, ab_add = model( [a_holder, b_holder, c_holder])


sess = k.backend.get_session()


a_in = rand_array() # 2x2 numpy arrays
b_in = rand_array()
c_in = rand_array()
a_in = np.reshape( a_in, (1,2,2))
b_in = np.reshape( b_in, (1,2,2))
c_in = np.reshape( c_in, (1,2,2))


val_cat, val_add = sess.run([con_cat, ab_add], 
               feed_dict=  a_holder: a_in, b_holder: b_in, c_holder: c_in)

【参考方案1】：

Input() 返回已创建占位符的句柄，并且不创建其他 tf 运算符；张量代表操作的输出和占位符，所以没有矛盾。

要分析 Input() 究竟创建了什么，让我们运行以下代码：

with tf.name_scope("INPUT_LAYER"):
input_l = Input(shape = [n_features])

然后：

writer = tf.summary.FileWriter('./my_graph', tf.get_default_graph())
writer.close()

然后从您的控制台启动 Tensorboard：

tensorboard --logdir="./my_graph"

查看结果：