Объединить 2 последовательные модели в Keras

Я пытаюсь объединить 2 последовательные модели в keras. Вот код:

model1 = Sequential(layers=[
    # input layers and convolutional layers
    Conv1D(128, kernel_size=12, strides=4, padding='valid', activation='relu', input_shape=input_shape),
    MaxPooling1D(pool_size=6),
    Conv1D(256, kernel_size=12, strides=4, padding='valid', activation='relu'),
    MaxPooling1D(pool_size=6),
    Dropout(.5),

])

model2 = Sequential(layers=[
    # input layers and convolutional layers
    Conv1D(128, kernel_size=20, strides=5, padding='valid', activation='relu', input_shape=input_shape),
    MaxPooling1D(pool_size=5),
    Conv1D(256, kernel_size=20, strides=5, padding='valid', activation='relu'),
    MaxPooling1D(pool_size=5),
    Dropout(.5),

])

model = merge([model1, model2], mode = 'sum')
Flatten(),
Dense(256, activation='relu'),
Dropout(.5),
Dense(128, activation='relu'),
Dropout(.35),
# output layer
Dense(5, activation='softmax')
return model

вот журнал ошибок:

"/nics/d/home/dsawant/anaconda3/lib/python3.6/site-packages/keras/backend/tensorflow_backend.py", строка 392, в is_keras_tensor raise ValueError ('неожиданно найден экземпляр типа ' + str(type(x)) + '. 'ValueError: неожиданно найден экземпляр тип <class 'keras.models.Sequential'>. Ожидается, что символический тензорный пример.

еще несколько журналов:

ValueError: слой merge_1 был вызван с входом, который не является символический тензор. Полученный тип: класс ' keras.модели.Последовательный". Полный ввод: [keras.модели.Последовательный объект на 0x2b32d518a780, керрас.модели.Последовательный объект в 0x2b32d521ee80]. Все входы слой должен быть тензором.

как объединить эти 2 последовательные модели, которые используют разные размеры окон и применяют функции например, "Макс", "сумма" и т. д.?

7
conv-neural-network keras machine-learning neural-network python

1 ответов

С помощью функциональный API приносит вам все возможности.

при использовании функционального API вам нужно отслеживать входы и выходы, а не просто определять слои.

вы определяете слой, затем вызываете слой с входным тензором, чтобы получить выходной тензор. Модели и слои можно назвать точно так же.

для слоя слияния я предпочитаю использовать другие слои слияния, которые более интуитивны, такие как Add(), Multiply() и Concatenate() например. 

from keras.layers import *

mergedOut = Add()([model1.output,model2.output])
    #Add() -> creates a merge layer that sums the inputs
    #The second parentheses "calls" the layer with the output tensors of the two models
    #it will demand that both model1 and model2 have the same output shape

эта же идея применима ко всем следующим слоям. Мы продолжаем обновлять выходной тензор, давая его каждому слою и получая новый выход (если бы мы были заинтересованы в создании ветвей, мы бы использовали другой var для каждого интересующего выхода, чтобы отслеживать их):

mergedOut = Flatten()(mergedOut)    
mergedOut = Dense(256, activation='relu')(mergedOut)
mergedOut = Dropout(.5)(mergedOut)
mergedOut = Dense(128, activation='relu')(mergedOut)
mergedOut = Dropout(.35)(mergedOut)

# output layer
mergedOut = Dense(5, activation='softmax')(mergedOut)

теперь, когда мы создали "путь", пришло время создать Model. Создав модель просто как сказать на входные тензоров она начинается и где кончается:

from keras.models import Model

newModel = Model([model1.input,model2.input], mergedOut)
    #use lists if you want more than one input or output

обратите внимание, что, поскольку эта модель имеет два входа, вы должны обучить ее с двумя разными X_training vars в список:

newModel.fit([X_train_1, X_train_2], Y_train, ....)

теперь предположим, что вам нужен только один вход, и оба model1 и model2 будут принимать один и тот же вход.

функциональный API позволяет это довольно легко, создавая входной Тензор и подавая его моделям (мы называем модели, как если бы они были слоями):

commonInput = Input(input_shape)

out1 = model1(commonInput)    
out2 = model2(commonInput)    

mergedOut = Add()([out1,out2])

в этом в случае, модель будет учитывать этот вход:

oneInputModel = Model(commonInput,mergedOut)
9