Question

我正在构建具有多个输入（实际上是3个）的Keras分类模型，以预测单个输出。具体来说，我的3个输入是：

演员
图摘要
相关电影功能

输出：

流派标签

Python代码（创建多个输入keras）

instance = kwargs['instance']
if instance.id is not None:
    current_image = Image.objects.filter(id=instance.id)[0]
    print(current_image.image.path) ### WORKS FINE
    os.remove(current_image.image.path) ### WORKS FINE

模型的结构

我的问题：

在一些训练数据上成功拟合并训练了模型后，我想提取该模型的嵌入物以供以后使用。在使用多输入keras模型之前，我的主要方法是训练3种不同的keras模型并提取3个形状为100的不同嵌入层。现在，我有了多输入keras模型，我想提取级联的嵌入层< / strong>，并带有输出形状（无，300）。

尽管如此，当我尝试使用此python命令时：

def kera_multy_classification_model(): sentenceLength_actors = 15 vocab_size_frequent_words_actors = 20001 sentenceLength_plot = 23 vocab_size_frequent_words_plot = 17501 sentenceLength_features = 69 vocab_size_frequent_words_features = 20001 model = keras.Sequential(name='Multy-Input Keras Classification model') actors = keras.Input(shape=(sentenceLength_actors,), name='actors_input') plot = keras.Input(shape=(sentenceLength_plot,), name='plot_input') features = keras.Input(shape=(sentenceLength_features,), name='features_input') emb1 = layers.Embedding(input_dim = vocab_size_frequent_words_actors + 1, # based on keras documentation input_dim: int > 0. Size of the vocabulary, i.e. maximum integer index + 1. output_dim = Keras_Configurations_model1.EMB_DIMENSIONS, # int >= 0. Dimension of the dense embedding embeddings_initializer = 'uniform', # Initializer for the embeddings matrix. mask_zero = False, input_length = sentenceLength_actors, name="actors_embedding_layer")(actors) encoded_layer1 = layers.LSTM(100)(emb1) emb2 = layers.Embedding(input_dim = vocab_size_frequent_words_plot + 1, output_dim = Keras_Configurations_model2.EMB_DIMENSIONS, embeddings_initializer = 'uniform', mask_zero = False, input_length = sentenceLength_plot, name="plot_embedding_layer")(plot) encoded_layer2 = layers.LSTM(100)(emb2) emb3 = layers.Embedding(input_dim = vocab_size_frequent_words_features + 1, output_dim = Keras_Configurations_model3.EMB_DIMENSIONS, embeddings_initializer = 'uniform', mask_zero = False, input_length = sentenceLength_features, name="features_embedding_layer")(features) encoded_layer3 = layers.LSTM(100)(emb3) merged = layers.concatenate([encoded_layer1, encoded_layer2, encoded_layer3]) layer_1 = layers.Dense(Keras_Configurations_model1.BATCH_SIZE, activation='relu')(merged) output_layer = layers.Dense(Keras_Configurations_model1.TARGET_LABELS, activation='softmax')(layer_1) model = keras.Model(inputs=[actors, plot, features], outputs=output_layer) print(model.output_shape) print(model.summary()) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['sparse_categorical_accuracy'])

或

embeddings = model_4.layers[9].get_weights() print(embeddings)

我得到一个空列表（第一个代码示例）或一个 IndenError：列表索引超出范围（第二个代码示例）。

在此问题上，谢谢您的任何建议或帮助。请随时在评论中询问我可能错过的任何其他信息，以使此问题更完整。

注意：Python代码和模型的结构也已提供给此先前回答的question

Answer 1

连接层没有任何权重（如您从模型摘要中看到的那样，它没有可训练的参数），因此get_weights()输出为空。串联是一项操作。
对于您的情况，可以在训练后获得各个嵌入层的权重。

model.layers[3].get_weights() # similarly for layer 4 and 5

或者，如果要将嵌入存储在（无，300）中，则可以使用numpy连接权重。

out_concat = np.concatenate([mdoel.layers[3].get_weights()[0], mdoel.layers[4].get_weights()[0], mdoel.layers[5].get_weights()[0]], axis=-1)

尽管可以获得连接层的输出张量：

out_tensor = model.layers[9].output
# <tf.Tensor 'concatenate_3_1/concat:0' shape=(?, 300) dtype=float32>

提取3个嵌入层的Keras连接层，但这是一个空列表

1 个答案: