Question

我想在https://blog.keras.io/building-autoencoders-in-keras.html之后将自动编码器的学习和应用分为两部分，并使用fashion-mnist数据进行测试：

加载图像，进行可能需要几个小时或几天的拟合，并使用回调函数来保存最佳的自动编码器模型。该过程可能比下一部分要早几个星期。
使用此最佳模型（由文件名手动选择）并绘制原始图像，自动编码器的编码器进行的编码表示以及使用自动编码器的解码器进行的预测。我在从训练有素的自动编码器中提取编码器和解码器层时遇到问题（请参阅第二步）。

对于第一步，我的网络非常简单，如下所示：

input_img = Input(shape=(784,))
# encoded representation
encoded = Dense(encoding_dim, activation='relu')(input_img)
# lossy reconstruction
decoded = Dense(784, activation='sigmoid')(encoded)

# full AE model: map an input to its reconstruction
autoencoder = Model(input_img, decoded)

# encoder: map an input to its encoded representation
encoder = Model(input_img, encoded)
# placeholder for an encoded input
encoded_input = Input(shape=(encoding_dim,))
# last layer of the autoencoder model
decoder_layer = autoencoder.layers[-1]
# decoder
decoder = Model(encoded_input, decoder_layer(encoded_input))

网络是：

autoencoder.summary()
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_5 (InputLayer)         (None, 784)               0         
_________________________________________________________________
dense_5 (Dense)              (None, 32)                25120     
_________________________________________________________________
dense_6 (Dense)              (None, 784)               25872     
=================================================================

和

encoder.summary()
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_5 (InputLayer)         (None, 784)               0         
_________________________________________________________________
dense_5 (Dense)              (None, 32)                25120     
=================================================================

因此，我训练模型并通过autoencoder.save('fashion-autoencoder.hdf5')保存它。在我的真实示例中，我使用回调将其保存，因此通过保存编码器和解码器的解决方法似乎不是真正的解决方案。稍后，我加载图像（未显示）并进行类似的预测

# encode and decode some images from test set
encoded_imgs = encoder.predict(x_test)
decoded_imgs = decoder.predict(encoded_imgs)
# test the shape
print(encoded_imgs[0].shape)

得到(32,0)的形状。

因此，我要解决两个步骤2 。我使用

加载模型

encoder= K.models.load_model('fashion-autoencoder.hdf5')
# delete the last layers to get the encoder
encoder.layers.pop()
encoder.summary() # show model data

并且编码器看起来与第一步中的原始编码器相同，这让我认为提取效果很好：

Layer (type)                 Output Shape              Param #   
=================================================================
input_5 (InputLayer)         (None, 784)               0         
_________________________________________________________________
dense_5 (Dense)              (None, 32)                25120     
=================================================================
Total params: 50,992
Trainable params: 50,992
Non-trainable params: 0

但我也收到警告

training.py:478: UserWarning: Discrepancy between trainable weights and collected trainable weights, did you set `model.trainable` without calling `model.compile` after ?
'Discrepancy between trainable weights and collected trainable'

我以某种方式理解但不知道它有多重要。然后我再次加载图像（未显示）并使用编码器

encoded_imgs = encoder.predict(x_test)

# test the shape
print(encoded_imgs[0].shape)

但是(784,)的形状不正确。

因此，由于尺寸不正确，我无法提取编码器。由于无法使用push()并尝试使用decoder = decoder.layers[-1:-2]之类的东西，但我什至没有成功提取解码器（形成保存自动编码器）。

所以，我的一般问题是如何提取部分加载的模型。

Answer 1

由于您使用功能性API创建自动编码器，因此重构编码器和解码器的最佳方法是再次使用功能性API和Model类：

autoencoder= K.models.load_model('fashion-autoencoder.hdf5')

encoder = Model(autoencoder.input, autoencoder.layers[-2].output)

decoder_input = Input(shape=(encoding_dim,))
decoder = Model(decoder_input, autoencoder.layers[-1](decoder_input))

encoder.summary()
decoder.summary()

模型摘要：

Layer (type)                 Output Shape              Param #   
=================================================================
input_4 (InputLayer)         (None, 784)               0         
_________________________________________________________________
dense_3 (Dense)              (None, 32)                25120     
=================================================================
Total params: 25,120
Trainable params: 25,120
Non-trainable params: 0
_________________________________________________________________


Layer (type)                 Output Shape              Param #   
=================================================================
input_6 (InputLayer)         (None, 32)                0         
_________________________________________________________________
dense_4 (Dense)              (None, 784)               25872     
=================================================================
Total params: 25,872
Trainable params: 25,872
Non-trainable params: 0
_________________________________________________________________

涉及pop()属性does not work since you need to update some of the internal attributes of the model上的layers的解决方案。虽然，对于顺序模型，已实现了内置的pop()方法。

从训练有素的自动编码器中提取编码器和解码器

1 个答案: