Keras实现将两个模型连接到一起_keras模型拼接

Keras

模型连接

35 浏览量更新于2023-05-11 评论收藏 51KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

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)

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

weixin_38526208

粉丝: 3
资源: 940

会员权益专享

Keras实现将两个模型连接到一起

评论0

会员权益专享

最新资源

Keras实现将两个模型连接到一起

评论0

Keras_CIFAR-10_Functional函数式模型

使用keras实现densenet和Xception的模型融合

在keras下实现多个模型的融合方式

keras全连接3分类模型代码

keras中的两种模型:sequential和model

facenet:人脸识别模型在keras当中的实现

Keras构建卷积神经网络模型

keras实现word2vec和doc2vec

keras实现attention机制

keras实现双向LSTM

如何连接两个深度模型代码

用tensorflow.keras写一个全连接层的模型，用于对30002561的数据实现三分类，配合使用lstm结构

keras实现transformer

keras模型可视化代码

cnn keras 代码实现

R语言keras深度学习的全连接层

keras搭建一个含有两个隐藏层的LSTM网络

会员权益专享

最新资源