Keras实现将两个模型连接到一起 实现将两个模型连接到一起 主要介绍了Keras实现将两个模型连接到一起，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来 看看吧 神经网络玩得越久就越会尝试一些网络结构上的大改动。 先说意图 先说意图 有两个模型：模型A和模型B。模型A的输出可以连接B的输入。将两个小模型连接成一个大模型，A-B，既可以同时训练又可 以分离训练。 流行的算法里经常有这么关系的两个模型，对GAN来说，生成器和判别器就是这样子；对VAE来说，编码器和解码器就是这 样子；对目标检测网络来说，backbone和整体也是可以拆分的。所以，应用范围还是挺广的。 实现方法 实现方法 首先说明，我的实现方法不一定是最佳方法。也是实在没有借鉴到比较好的方法，所以才自己手动写了一个。 第一步，我们有现成的两个模型A和B；我们想把A的输出连到B的输入，组成一个整体C。 第二步， 重构新模型C；我的方法是：读出A和B各有哪些layer，然后一层一层重新搭成C。 可以看一个自编码器的代码(本人所编写)： class AE: def __init__(self, dim, img_dim, batch_size): self.dim = dim self.img_dim = img_dim self.batch_size = batch_size self.encoder = self.encoder_construct() self.decoder = self.decoder_construct() def encoder_construct(self): x_in = Input(shape=(self.img_dim, self.img_dim, 3)) x = x_in x = Conv2D(self.dim // 16, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x) x = BatchNormalization()(x) x = LeakyReLU(0.2)(x) x = Conv2D(self.dim // 8, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x) x = BatchNormalization()(x) x = LeakyReLU(0.2)(x) x = Conv2D(self.dim // 4, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x) x = BatchNormalization()(x) x = LeakyReLU(0.2)(x) x = Conv2D(self.dim // 2, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x) x = BatchNormalization()(x) x = LeakyReLU(0.2)(x) x = Conv2D(self.dim, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x) x = BatchNormalization()(x) x = LeakyReLU(0.2)(x) x = GlobalAveragePooling2D()(x) encoder = Model(x_in, x) return encoder def decoder_construct(self): map_size = K.int_shape(self.encoder.layers[-2].output)[1:-1] # print(type(map_size)) z_in = Input(shape=K.int_shape(self.encoder.output)[1:]) z = z_in z_dim = self.dim z = Dense(np.prod(map_size) * z_dim)(z) z = Reshape(map_size + (z_dim,))(z) z = Conv2DTranspose(z_dim // 2, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z) z = BatchNormalization()(z) z = Activation('relu')(z) z = Conv2DTranspose(z_dim // 4, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z) z = BatchNormalization()(z) z = Activation('relu')(z) z = Conv2DTranspose(z_dim // 8, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z) z = BatchNormalization()(z) z = Activation('relu')(z) z = Conv2DTranspose(z_dim // 16, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z) z = BatchNormalization()(z) z = Activation('relu')(z) z = Conv2DTranspose(3, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z) z = Activation('tanh')(z) 

decoder = Model(z_in, z) return decoder def build_ae(self): input_x = Input(shape=(self.img_dim, self.img_dim, 3)) x = input_x for i in range(1, len(self.encoder.layers)): x = self.encoder.layers[i](x) for j in range(1, len(self.decoder.layers)): x = self.decoder.layers[j](x) y = x auto_encoder = Model(input_x, y) return auto_encoder 模型A就是这里的encoder，模型B就是这里的decoder。所以，连接的精髓在build_ae()函数，直接用for循环读出各层，然后 一层一层重新构造新的模型，从而实现连接效果。因为keras也是基于图的框架，这个操作并不会很费时，因为没有实际地计 算。 补充知识：keras得到每层的系数 补充知识： 得到每层的系数 使用keras搭建好一个模型，训练好，怎么得到每层的系数呢： weights = np.array(model.get_weights()) print(weights) print(weights[0].shape) print(weights[1].shape) 这样系数就被存放到一个np中了。 以上这篇Keras实现将两个模型连接到一起就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持 我们。