Question

如下表所示，[0][0]中的input_1[0][0]是什么意思？

__________________________________________________
Layer (type)          Output Shape  Param # Connected to           
===================================================================
input_1 (InputLayer)  (None, 1)     0                              
___________________________________________________________________
dropout_1 (Dropout)   (None, 1)     0       input_1[0][0]          
___________________________________________________________________
dropout_2 (Dropout)   (None, 1)     0       input_1[0][0]          
===================================================================
Total params: 0
Trainable params: 0
Non-trainable params: 0
___________________________________________________________________

Answer 1

这是一个好问题，但是要回答这个问题，我们必须深入探讨Keras中各层如何相互连接的内部原理。让我们开始吧：

0）什么是张量？

张量是表示数据的数据结构，它们基本上是n维数组。层之间传递的所有数据和信息都必须是张量。

1）什么是图层？

从最简单的意义上讲，层是一个计算单元，其中它获得一个或多个输入张量，然后对其施加一组运算（例如乘法，加法等），并给出结果是一个或多个输出张量。在某些输入张量上应用图层时，在引擎盖下会创建一个 Node 。

2）那么什么是节点？

为表示两层之间的连通性，Keras在内部使用Node类的对象。将图层应用于某些新输入时，将创建一个节点并将其添加到该图层的_inbound_nodes属性中。此外，当一层的输出被另一层使用时，会创建一个新节点并将其添加到该层的_outbound_nodes属性中。因此，从本质上讲，此数据结构使Keras可以使用类型为Node的对象的以下属性来查找各层如何相互连接：

input_tensors：这是一个包含节点输入张量的列表。
output_tensors：这是一个包含节点输出张量的列表。
inbound_layers：这是一个列表，其中包含input_tensors所在的图层。
outbound_layers：使用者层，即使用input_tensors并将其变成output_tensors的层。
node_indices：这是一个整数列表，其中包含input_tensors的节点索引（将在以下问题的答案中对此进行详细说明）。
tensor_indices：这是一个整数列表，其中包含input_tensors在它们相应的入站层中的索引（将在以下问题的答案中对此进行详细说明）。

3）很好！现在告诉我模型摘要的“已连接到”列中的那些值是什么意思？

为了更好地理解这一点，让我们创建一个简单的模型。首先，让我们创建两个输入层：

inp1 = Input((10,))
inp2 = Input((20,))

接下来，我们创建一个具有两个输出张量的Lambda层，第一个输出是输入张量除以2，第二个输出是输入张量乘以2：

lmb_layer = Lambda(lambda x: [x/2, x*2])

让我们在inp1和inp2上应用此lambda层：

a1, b1 = lmb_layer(inp1)
a2, b2 = lmb_layer(inp2)

这样做之后，已经创建了两个节点并将它们添加到_inbound_nodes的{{1}}属性中：

lmb_layer

第一节点对应于>>> lmb_layer._inbound_nodes [<keras.engine.base_layer.Node at 0x7efb9a105588>, <keras.engine.base_layer.Node at 0x7efb9a105f60>]与第一输入层（lmb_layer）的连通性，第二节点对应于该层与第二输入层（{{1} }。此外，这些节点中的每个节点都有两个输出张量（对应于inp1，inp2和a1，b1）：

a2

现在，让我们创建并应用四个不同的b2层，并将其应用于我们获得的四个输出张量：

>>> lmb_layer._inbound_nodes[0].output_tensors
[<tf.Tensor 'lambda_1/truediv:0' shape=(?, 10) dtype=float32>,
 <tf.Tensor 'lambda_1/mul:0' shape=(?, 10) dtype=float32>]

>>> lmb_layer._inbound_nodes[1].output_tensors
[<tf.Tensor 'lambda_1_1/truediv:0' shape=(?, 20) dtype=float32>,
 <tf.Tensor 'lambda_1_1/mul:0' shape=(?, 20) dtype=float32>]

模型摘要如下所示：

Dense

在图层的“连接到”列中，值的格式为：d1 = Dense(10)(a1) d2 = Dense(20)(b1) d3 = Dense(30)(a2) d4 = Dense(40)(b2) model = Model(inputs=[inp1, inp2], outputs=[d1, d2, d3, d4]) model.summary()。 Layer (type) Output Shape Param # Connected to ================================================================================================== input_1 (InputLayer) (None, 10) 0 __________________________________________________________________________________________________ input_2 (InputLayer) (None, 20) 0 __________________________________________________________________________________________________ lambda_1 (Lambda) multiple 0 input_1[0][0] input_2[0][0] __________________________________________________________________________________________________ dense_1 (Dense) (None, 10) 110 lambda_1[0][0] __________________________________________________________________________________________________ dense_2 (Dense) (None, 20) 220 lambda_1[0][1] __________________________________________________________________________________________________ dense_3 (Dense) (None, 30) 630 lambda_1[1][0] __________________________________________________________________________________________________ dense_4 (Dense) (None, 40) 840 lambda_1[1][1] ================================================================================================== Total params: 1,800 Trainable params: 1,800 Non-trainable params: 0 __________________________________________________________________________________________________对应于该层的输入张量来自的层。例如，所有layer_name[x][y]层都连接到layer_name，因此从该层获取其输入。 Dense分别对应于输入张量的节点索引（即lmb_layer）和张量索引（即[x][y]）。例如：

node_indices层应用于tensor_indices的第一个（即索引：0）入站节点的第一个（即索引：0）输出张量dense_1 ，因此连通性显示为：a1。
在lmb_layer上应用lambda_1[0][0]层，它是dense_2的第一个（即索引：0）入站节点的第二个（即索引：1）输出张量，因此连通性显示为：b1。
将lmb_layer层应用于lambda_1[0][1]的第二个（即索引：1）入站节点的第一个（即索引：0）输出张量dense_3 ，因此连通性显示为：a2。
lmb_layer层应用于lambda_1[1][0]的第一个（即索引：1）入站节点的第二个（即索引：1）输出张量dense_4 ，因此连通性显示为：b2。

就是这样！如果您想进一步了解lmb_layer方法的工作原理，可以看看print_summary函数。而且，如果您想了解连接的打印方式，可以看看print_layer_summary_with_connections函数。

keras model.summary中连接的层的“ [0] [0]”是什么意思？

1 个答案: