Question

我知道您可以重复使用Keras图层。例如，我为解码器网络声明了两层：

decoder_layer_1 = Dense(intermediate_dim,activation='relu',name='decoder_layer_1')
decoder_layer_2 = Dense(intermediate_dim,activation='relu',name='decoder_layer_2')

在第一个模型中使用：

decoded = decoder_layer_1(z)
decoded = decoder_layer_2(decoded)

在第二个模型中使用：

_decoded = decoder_layer_1(decoder_input)
_decoded = decoder_layer_2(_decoded)

如果我只需要重复使用几层，上面的方法就可以了，如果我想重用大量的层（例如，一个10层的解码器网络），那就很麻烦。除了明确声明每个图层之外，还有更有效的方法吗？有没有办法实现它，如下所示：

decoder_layers = group_of_layers()

在第一个模型中重复使用：

decoded = group_of_layers(z)

在第二个模型中重复使用：

_decoded = group_of_layers(decoder_input)

Answer 1

我也在这个问题上挣扎。对我而言，有效的方法是将共享部分包装在模型中，并使用其自己的输入定义：

def group_of_layers(intermediate_dim):
    shared_model_input = keras.layers.Input(shape=...)
    shared_internal_layer = keras.layers.Dense(intermediate_dim, activation='relu', name='shared_internal_layer')(shared_model_input)
    shared_model_output = keras.layers.Dense(intermediate_dim, activation='relu', name='shared_model_output')(shared_internal_layer)
    return keras.models.Model(shared_model_input, shared_model_output)

在Functional API中，只要模型的输入层与您对其应用的层的形状相匹配，就可以以与单个层相同的方式使用共享模型：

group = group_of_layers(intermediate_dim)
result1 = group(previous_layer)
result2 = group(different_previous_layer)

然后将共享权重。

文档中对此进行了很好的描述，请参见Shared vision model。

Answer 2

您可以尝试：

def group_of_layers(x, intermediate_dim):
    x = Dense(intermediate_dim,activation='relu',name='decoder_layer_1')(x)
    x = Dense(intermediate_dim,activation='relu',name='decoder_layer_2')(x)
    return x

然后：

decoded = group_of_layers(z, intermediate_dim)
_decoded = group_of_layers(decoder_input, intermediate_dim)

您必须事后声明模型的输入和输出，例如对于第二个模型：

model = Model(inputs = decoder_input, outputs = _decoded)

您还可以添加最终图层，如：

final_layer = Dense(...)(_decoded)
model = Model(inputs = decoder_input, outputs = final_layer)

重用一组Keras图层

2 个答案: