提取keras模型的最後一層爲子模型

說我們有一個卷積神經網絡M.我可以用提取keras模型的最後一層爲子模型

extractor = Model(M.inputs, M.get_layer('last_conv').output) 
features = extractor.predict(X)

從圖像中提取的特徵我怎樣才能將使用features預測類模型？

我不能使用以下幾行，因爲它需要輸入模型作爲佔位符。

predictor = Model([M.get_layer('next_layer').input], M.outputs) 
pred = predictor.predict(features)

我也不能使用K.function因爲後來我想用它作爲另一個模型的一部分，所以我會appliyng預測到tf.tensor，不np.array。

來源

2017-10-04 eclique

什麼是使用一個佔位符的問題或一個輸入層？這是正確的方法。 –

@MatiasValdenegro如何在新的輸入層之上堆疊**訓練好的**預測器圖層？ – eclique

使用功能性API，您只需使用您的模型，因爲它是一個圖層：in = Input（...）inter = yourModel（in）final = Dense（10）（inter） –

這是不是最好的解決方案，但它的工作原理：

from keras.models import Sequential 
from keras.layers import Conv2D, MaxPooling2D 
from keras.layers import Dense, Dropout, Flatten 

def cnn(): 
    model = Sequential() 
    model.add(Conv2D(32, kernel_size=(3, 3), 
        activation='relu', 
        input_shape=(28, 28, 1), name='l_01')) 
    model.add(Conv2D(64, (3, 3), activation='relu', name='l_02')) 
    model.add(MaxPooling2D(pool_size=(2, 2), name='l_03')) 
    model.add(Dropout(0.25, name='l_04')) 
    model.add(Flatten(name='l_05')) 
    model.add(Dense(128, activation='relu', name='l_06')) 
    model.add(Dropout(0.5, name='l_07')) 
    model.add(Dense(10, activation='softmax', name='l_08')) 
    return model 

def predictor(input_shape): 
    model = Sequential() 
    model.add(Flatten(name='l_05', input_shape=(12, 12, 64))) 
    model.add(Dense(128, activation='relu', name='l_06')) 
    model.add(Dropout(0.5, name='l_07')) 
    model.add(Dense(10, activation='softmax', name='l_08')) 
    return model 

cnn_model = cnn() 
cnn_model.save('/tmp/cnn_model.h5') 

predictor_model = predictor(cnn_model.output.shape) 
predictor_model.load_weights('/tmp/cnn_model.h5', by_name=True)

來源

2017-10-05 08:01:49

是....到目前爲止，這是我發現的唯一解決方案，重新創建模型的相關部分。 –

是的，我也採取了重建預測器和加載重量。'by_name'是有用的，但我認爲這應該是一個更清潔解決方案，如果我們不盡快提出更好的答案，我會接受答案。 – eclique

這取決於你想要做什麼。

如果你要扔掉的特徵提取之後
如果你打算訓練特徵提取後

如果你要使用提取的特徵，但你不打算在訓練用於生成它們的模型，你可以使用的預測方法得到的特徵像你一樣：

features = extractor.predict(X)

然後保存其輸出到文件（np.save或cPickle或其他）。之後，您可以使用該新數據集作爲新模型的輸入。

如果你打算訓練特徵提取後，你將需要堆疊兩個網絡與VGG這裏視爲特徵提取https://github.com/fchollet/keras/issues/4576：

img_width, img_height = 150, 150 
vgg16_model = VGG16(include_top=False, weights='imagenet') 

input = Input(batch_shape=vgg16_model.output_shape) 
x = GlobalAveragePooling2D()(input) 
x = Dense(256, activation='relu')(x) 
x = Dropout(0.5)(x) 
predict = Dense(1, activation='sigmoid')(x) 
top_model = Model(input, predict) 

top_model.load_weights(os.path.join(data_path, 'VGG16Classifier.hdf5')) 

input = Input(shape=(3, img_width, img_height)) 
x = vgg16_model(input) 
predict = top_model(x) 
model = Model(input, predict)

PS：此示例使用渠道第一順序。如果你正在使用tensorflow你應該改變形狀塑造=（img_width，IMG_HEIGHT，3）

來源

2017-10-04 23:05:21 maz

我想我可以在你提供的代碼中看到解決方案。我將可以在稍後測試它。但主要問題是在預測器，而不是提取器。你的意思是預測嗎？我會扔掉提取器，只會在預測器中使用固定的權重（未經過培訓）。 – eclique

如果您要扔掉提取器，這很簡單，只需從模型中獲取輸出數據即可。當我說「預測」時，我的意思是使用extractor.predict來獲得它的輸出。在這個輸出結束後，您基本上會使用新的數據集。使用keras/tensorflow構建符號模型，並以模型的擬合方法傳遞數據，就好像它是具有映射向量的任何其他數據集一樣 - >標籤 – maz

我將extractor.predict（X）的要素與任何其他數據一起加載。問題是獲得預測器**部分的**符號模型與訓練後的權重。不幸的是，你的回答並不能解決這個問題。 :( – eclique

提取keras模型的最後一層爲子模型

回答

相關問題