Question

Kera manual并没有说太多：

keras.backend.function(inputs, outputs, updates=None)

Instantiates a Keras function.
Arguments
inputs: List of placeholder tensors.
outputs: List of output tensors.
updates: List of update ops.
**kwargs: Passed to tf.Session.run.
Returns

Tensorflow source code，实际上非常短，表明K.function（...）返回一个Function对象，当被调用时，它会计算输出和更新< / em>使用输入。有趣的是它如何处理我不遵循的更新。任何解释/示例/指针，以帮助理解这个K.function（...）表示赞赏！以下是Tensorflow source code

的相关部分
class Function(object): """Runs a computation graph. Arguments: inputs: Feed placeholders to the computation graph. outputs: Output tensors to fetch. updates: Additional update ops to be run at function call. name: a name to help users identify what this function does. """ def __init__(self, inputs, outputs, updates=None, name=None, **session_kwargs): updates = updates or [] if not isinstance(inputs, (list, tuple)): raise TypeError('`inputs` to a TensorFlow backend function ' 'should be a list or tuple.') if not isinstance(outputs, (list, tuple)): raise TypeError('`outputs` of a TensorFlow backend function ' 'should be a list or tuple.') if not isinstance(updates, (list, tuple)): raise TypeError('`updates` in a TensorFlow backend function ' 'should be a list or tuple.') self.inputs = list(inputs) self.outputs = list(outputs) with ops.control_dependencies(self.outputs): updates_ops = [] for update in updates: if isinstance(update, tuple): p, new_p = update updates_ops.append(state_ops.assign(p, new_p)) else: # assumed already an op updates_ops.append(update) self.updates_op = control_flow_ops.group(*updates_ops) self.name = name self.session_kwargs = session_kwargs def __call__(self, inputs): if not isinstance(inputs, (list, tuple)): raise TypeError('`inputs` should be a list or tuple.') feed_dict = {} for tensor, value in zip(self.inputs, inputs): if is_sparse(tensor): sparse_coo = value.tocoo() indices = np.concatenate((np.expand_dims(sparse_coo.row, 1), np.expand_dims(sparse_coo.col, 1)), 1) value = (indices, sparse_coo.data, sparse_coo.shape) feed_dict[tensor] = value session = get_session() updated = session.run( self.outputs + [self.updates_op], feed_dict=feed_dict, **self.session_kwargs) return updated[:len(self.outputs)] def function(inputs, outputs, updates=None, **kwargs): """Instantiates a Keras function. Arguments: inputs: List of placeholder tensors. outputs: List of output tensors. updates: List of update ops. **kwargs: Passed to `tf.Session.run`. Returns: Output values as Numpy arrays. Raises: ValueError: if invalid kwargs are passed in. """ if kwargs: for key in kwargs: if (key not in tf_inspect.getargspec(session_module.Session.run)[0] and key not in tf_inspect.getargspec(Function.__init__)[0]): msg = ('Invalid argument "%s" passed to K.function with Tensorflow ' 'backend') % key raise ValueError(msg) return Function(inputs, outputs, updates=updates, **kwargs)

Answer 1

我对此功能有以下了解＆＃34; Keras.Backend.Function＆＃34;。

我将在this的代码段的帮助下解释它。

代码段的部分如下 -

    final_conv_layer = get_output_layer(model, "conv5_3")
    get_output = K.function([model.layers[0].input], [final_conv_layer.output, model.layers[-1].output])
    [conv_outputs, predictions] = get_output([img])

在此代码中，有一个模型，＆＃34; conv5_3＆＃34;提取图层（第1行）。在函数K.function（）中，第一个参数输入到该模型，第二个参数设置为2个输出 - 一个用于卷积，第二个用于最后一层的softmax输出。

根据Keras / Tensorflow手册，此函数运行我们在代码中创建的计算图，从第一个参数获取输入并根据第二个参数中提到的层提取输出数。因此， conv_outputs 输出 final_conv_layer ，预测输出 model.layers [-1] ，即最后一层该模型。

Answer 2

我认为此功能仅用于提取中间结果。可以参考Keras文档中的“如何获得中间层的输出？”

一种简单的方法是创建一个新模型，该模型将输出您感兴趣的图层：

from keras.models import Model

model = ...  # create the original model

layer_name = 'my_layer'
intermediate_layer_model = Model(inputs=model.input,
                                 outputs=model.get_layer(layer_name).output)
intermediate_output = intermediate_layer_model.predict(data)

另一种方法是构建Keras函数，该函数将在给定输入的情况下返回特定层的输出。例如：

from keras import backend as K

# with a Sequential model
get_3rd_layer_output = K.function([model.layers[0].input],
                                  [model.layers[3].output])
layer_output = get_3rd_layer_output([x])[0]

您可以使用返回的函数对象get_3rd_layer_output获取第三层的中间结果。

Answer 3

将其视为函数包装器。在keras和tensorflow的框架中，它包装张量列表作为输入，并对网络中的权重进行一些操作（向后传播）。它在强化学习领域中特别有用，在该领域中，损失是在动作（模型输出）和model.fit之后计算出来的，因为它太宏了，无法包含此类操作。

keras.backend.function（）的目的是什么

3 个答案: