Question

快速回答：

事实上这很容易。这是代码（对于那些不想阅读所有文本的人）：

inputs=Input((784,))
encode=Dense(10, input_shape=[784])(inputs)
decode=Dense(784, input_shape=[10])

model=Model(input=inputs, output=decode(encode))

inputs_2=Input((10,))
decode_model=Model(input=inputs_2, output=decode(inputs_2))

在此设置中，decode_model将使用与model相同的解码层。如果您训练model，decode_model也会接受培训。

实际问题：

我正在尝试为Keras中的MNIST创建一个简单的自动编码器：

这是到目前为止的代码：

model=Sequential()
encode=Dense(10, input_shape=[784])
decode=Dense(784, input_shape=[10])

model.add(encode)
model.add(decode)


model.compile(loss="mse",
             optimizer="adadelta",
             metrics=["accuracy"])

decode_model=Sequential()
decode_model.add(decode)

我正在训练它以学习身份功能

model.fit(X_train,X_train,batch_size=50, nb_epoch=10, verbose=1, 
          validation_data=[X_test, X_test])

重建非常有趣：

但我还想看一下群集的表示。将[1,0 ... 0]传递给解码层的输出是多少？这应该是MNIST中一个类的“集群均值”。

为了做到这一点，我创建了第二个模型decode_model，它重用了解码器层。但如果我尝试使用该模型，它会抱怨：

异常：检查时出错：预期dense_input_5有形状（无，784）但是有形状的数组（10,10）

这看起来很奇怪。它只是一个密集的层，Matrix甚至无法处理784-dim输入。我决定查看模型摘要：

____________________________________________________________________________________________________
Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
dense_14 (Dense)                 (None, 784)           8624        dense_13[0][0]                   
====================================================================================================
Total params: 8624

它连接到dense_13。很难跟踪图层的名称，但这看起来像编码器层。果然，整个模型的模型总结是：

____________________________________________________________________________________________________
Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
dense_13 (Dense)                 (None, 10)            7850        dense_input_6[0][0]              
____________________________________________________________________________________________________
dense_14 (Dense)                 (None, 784)           8624        dense_13[0][0]                   
====================================================================================================
Total params: 16474
____________________

显然这些图层是永久连接的。奇怪的是，decode_model中没有输入图层。

如何在Keras中重复使用图层？我看过功能API，但也有层融合在一起。

Answer 1

哦，没关系。

我应该阅读整个功能API： https://keras.io/getting-started/functional-api-guide/#shared-layers

这是其中一项预测（可能仍缺少一些培训）：

我猜这可能是3？好吧，至少它现在有效。

对于有类似问题的人，这是更新后的代码：

inputs=Input((784,))
encode=Dense(10, input_shape=[784])(inputs)
decode=Dense(784, input_shape=[10])

model=Model(input=inputs, output=decode(encode))


model.compile(loss="mse",
             optimizer="adadelta",
             metrics=["accuracy"])

inputs_2=Input((10,))
decode_model=Model(input=inputs_2, output=decode(inputs_2))

我只编译了其中一个模型。对于培训，您需要编译模型，以进行不必要的预测。

Answer 2

可以通过列表model1.layers直接从一个模型访问第二个共享层。棘手的是访问输入层tf.keras.Input（不确定tf.keras.layers.InputLayer，也不建议使用它们），正如我最近看到的那样，这些分配并不那么简单。但是您可以按照定义model1的model1.inputs层的相同顺序通过Input访问输入。您可以建立一个新模型。

in1, in2 = keras.Input(shape=shape1), keras.Input(shape=shape2)
x = Some_Layer(in1)
y1 = Some_Layer(in2)
y2 = Some_model([x, in1, in2])
model1 = Model(inputs=[in1, in2], outputs=[y1, y2])

y3 = Some_model([x, y1])
model2 = Model(inputs=[model1.inputs[0], y1], outputs=[x, y3])

Keras：在不同的模型中使用相同的图层（共享权重）

2 个答案: