在tensorflow代码

Question

假设我有一个简单的神经网络，其输入层和在tensorflow中编程的单个卷积层：

  # Input Layer
  input_layer = tf.reshape(features["x"], [-1, 28, 28, 1])

  # Convolutional Layer #1
  conv1 = tf.layers.conv2d(
      inputs=input_layer,
      filters=32,
      kernel_size=[5, 5],
      padding="same",
      activation=tf.nn.relu)

我遗漏了features的网络定义的任何其他部分。

如果我想在此卷积层之后添加LSTM层，我将必须使用卷积层TimeDistributed（使用keras语言），然后将TimeDistributed层的输出放入LSTM。

Tensorflow可以访问tf.keras.layers中的keras图层。我可以直接在tensorflow代码中使用keras层吗？如果是这样，怎么样？我是否也可以使用tf.keras.layers.lstm来实现LSTM层？

所以一般来说：纯粹的张量流代码和keras代码的混合是否可能，我可以使用tf.keras.layers吗？

Answer 1

是的，这是可能的。

导入TensorFlow和Keras并将您的Keras会话链接到TF：

import tensorflow as tf
import keras
from keras import backend as K

tf_sess = tf.Session()
K.set_session(tf_sess)

现在，在您的模型定义中，您可以混合使用TF和Keras图层：

# Input Layer
input_layer = tf.reshape(features["x"], [-1, 28, 28, 1])

# Convolutional Layer #1
conv1 = tf.layers.conv2d(
    inputs=input_layer,
    filters=32,
    kernel_size=[5, 5],
    padding="same",
    activation=tf.nn.relu)

# Flatten conv output
flat = tf.contrib.layers.flatten(conv1)

# Fully-connected Keras layer
layer2_dense = keras.layers.Dense(128, activation='relu')(flat)

# Fully-connected TF layer (output)
output_preds = tf.layers.dense(layer2_dense, units=10)

这个答案来自Francois Chollet的a Keras blog帖子。