Keras输入层和Tensorflow占位符之间的差异

Question

我希望有人可以解释Keras中的输入层和Tensorflow中的占位符之间的差异（如果有的话）？

我调查得越多，两者看起来越相似，但到目前为止，我不相信100％。

以下是我观察到的支持输入图层和tf占位符相同的声明：

1）从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。下面是使用Keras的一个简单示例的一部分，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）来自Tensorflow Contrib的关于Keras的文档Input Layer在其论证描述中提及占位符：

  

＆＃34; sparse：一个布尔值，指定是否占位符    要创建的是稀疏的＆＃34;

以下是我观察到的支持输入图层和tf占位符不同的声明：

1）我见过人们使用tf.Placeholder＆而不是输入图层返回的Tensor。类似的东西：

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})

Answer 1

Input（）返回创建占位符的句柄，不创建其他tf运算符; Tensor代表操作输出和占位符，因此没有矛盾。

要分析Input（）创建的确切内容，请运行以下代码：

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()

从控制台启动Tensorboard：

tensorboard --logdir="./my_graph"

看看结果：