Question

我想在不制作模型的情况下使用Keras图层pooling layers。每当我看到与Keras相关的示例时，我都会以模型形式看到它们，如下所示：

model = Sequential()
model.add(Conv2D(2, kernel_size=(3, 3),activation='relu',
                 input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2)))
....

model.compile(loss=keras.losses.binary_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])
model.fit(x_train, y_train,batch_size=batch_size,epochs=epochs,verbose=1,)

这样，首先我们定义input，然后模拟compile和最后fit。但是我要说我必须执行maxpooling操作，我只有1张尺寸为56 * 64且带有灰度的图像，即以4d张量形式输入（1,56,64,1）。那么如何使用Keras MaxPooling2D层执行maxpooling操作。

Answer 1

您可以制作仅包含MaxPooling2D并执行predict（不包含fit）的模型：

model = Sequential()
model.add(MaxPooling2D(pool_size=(2, 2), input_shape=input_shape))
model.compile('adadelta')

pooled = model.predict(image)

compile完全没有影响。

完整代码

来自@Hitesh评论的例子：

from keras.models import Sequential
from keras.layers import MaxPooling2D
import numpy as np

image=np.random.rand(1, 56, 64, 1)
input_shape=(56,64,1)

model = Sequential()
model.add(MaxPooling2D(pool_size=(2, 2), input_shape=input_shape))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])

pooled = model.predict(image)

Answer 2

您可以使用功能API来实现：只需定义input，然后执行以下操作：

maxpooled = MaxPooling2D(...)(input)
maxpooled.eval(feed_dict={input: input_image}, session=...)

使用Keras的BTW就是一种矫枉过正，因为它是用于构建models的工具包。你可以使用tensorflow或任何其他深度学习框架轻松地完成它。

如何在不制作模型的情况下使用Keras图层

2 个答案:

完整代码