Question

可以将张量流与keras序列模型结合起来，如下所示：（source）

from keras.models import Sequential, Model

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=784))
model.add(Dense(10, activation='softmax'))

# this works! 
x = tf.placeholder(tf.float32, shape=(None, 784))
y = model(x)

但是，我想使用这样的功能API：

x = tf.placeholder(tf.float32, shape=(None, 784))
y = Dense(10)(x)
model = Model(inputs=x, outputs=y)

但是当我尝试这样做时，我得到了这些错误：

TypeError：模型的输入张量必须是Keras张量。找到：Tensor（“Placeholder_2：0”，shape =（？，784），dtype = float32）（缺少Keras元数据）。

Answer 1

您正在寻找的是功能API的Input layer tensor参数。

tensor：包含在Input图层中的可选现有张量。如果设置，图层将不会创建占位符张量。

Answer 2

功能和顺序api是创建模型对象的两种不同方式。但是一旦找到该对象，您就可以以相同的方式对待它们。例如，称它们为tensorflow对象。

在这里您可以找到documentation for the functional api

这是将tensorflow张量与功能性api结合使用的最小示例。

import tensorflow as tf
from keras.layers import Input, Dense
from keras.models import Model

# Create the keras model.
inputs = Input(shape=(784,))
outputs = Dense(10)(inputs)
model = Model(inputs=inputs, outputs=outputs)

# Now that we have a model we can call it with x.
x = tf.placeholder(tf.float32, shape=(None, 784))
y = model(x)

结合keras功能api和张量流

2 个答案: