Question

为此，我尝试使用Keras构建一个简单的Autoencoder，首先从一个完全连接的神经层作为编码器和解码器开始。

> input_img = Input(shape=(784,)) 
>encoded = Dense(encoding_dim,activation='relu')(input_img) 
>decoded = Dense(784, activation='sigmoid')(encoded)
>autoencoder =Model(input_img, decoded)

我还借助

创建了一个单独的编码器模块

encoder = Model(input_img, encoded)

以及解码器模型：

encoded_input = Input(shape=(32,))
# retrieve the last layer of the autoencoder model
decoder_layer = autoencoder.layers[-1]
# create the decoder model
decoder = Model(encoded_input, decoder_layer(encoded_input))

然后我训练了模型

autoencoder.fit(x_train, x_train,
                epochs=50,
                batch_size=256,
                shuffle=True,
                validation_data=(x_test, x_test))

但是，即使我没有训练我的编码器和解码器，即使我在训练之前通过了这些层，它们仍在共享自动编码器的权重。我只训练了编码器，但编码器和解码器都接受了训练。

encoded_imgs = encoder.predict(x_test)
decoded_imgs = decoder.predict(encoded_imgs)

Answer 1

在阅读文字时，我应该更加小心。如果两个Keras模型共享某个图层，则在训练第一个模型时，共享图层的权重将在另一个模型中自动更新。

https://keras.io/getting-started/functional-api-guide/

此博客很好地说明了共享层的使用。

https://blog.keras.io/building-autoencoders-in-keras.html/

如果我将图层传递给两个Keras模型并仅训练一个，则在训练前一个模型后，两个模型都会分担权重

1 个答案: