我正在尝试将Keras的Siamese图层与共享的Convolution2D
图层结合使用。
我不需要输入在Siamese
图层之前通过任何其他图层,但Siamese
图层要求指定输入图层。我无法弄清楚如何创建输入层以匹配转换层的输入。我可以找到的Siamese
图层的唯一具体示例是tests,其中Dense
层(带矢量输入)用作输入。基本上,我想要一个输入层,允许我将图像尺寸指定为输入,以便将它们传递给共享的转换层。
在代码中我有以下内容:
img_rows = 28
img_cols = 28
img_input_shape = (1, img_rows, img_cols)
shared = Sequential()
shared.add(Convolution2D(nb_filters, nb_conv, nb_conv,
border_mode='valid',
input_shape=img_input_shape))
shared.add(Activation('relu'))
# .... more layers, etc.
right_input_layer = SomeInputLayer(input_shape=img_input_shape) # what should SomeInputLayer be?
left_input_layer = SomeInputLayer(input_shape=img_input_shape)
siamese = Siamese(shared, [left_input_layer, right_input_layer], merge_mode='concat')
model = Sequential()
model.add(siamese)
# ...
model.compile(loss=contrastive_loss, optimizer='rmsprop')
SomeInputLayer
应该是什么?或者我的appraoch一般是不正确的?
答案 0 :(得分:3)
好的,我明白了。 “抽象”Layer
类基本上是一个直通层,这正是我需要的。我也犯了一个错误,我认为Siamese
可以采用整个模型(即多个图层),但实际上只需要一个图层。为了减少这些Siamese图层的创建,需要add_shared_layer
辅助函数。
我还应该指出这个pull request允许共享层到模型中的第一层,正是我想要做的。