提取keras模型的最后一层为子模型

说我们有一个卷积神经网络M.我可以用提取keras模型的最后一层为子模型

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

从图像中提取的特征我怎样才能将使用features预测类模型？

我不能使用以下几行，因为它需要输入模型作为占位符。

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

我也不能使用K.function因为后来我想用它作为另一个模型的一部分，所以我会appliyng预测到tf.tensor，不np.array。

来源

2017-10-04 eclique

什么是使用一个占位符的问题或一个输入层？这是正确的方法。 –

@MatiasValdenegro如何在新的输入层之上堆叠**训练好的**预测器图层？ – eclique

使用功能性API，您只需使用您的模型，因为它是一个图层：in = Input（...）inter = yourModel（in）final = Dense（10）（inter） –

这是不是最好的解决方案，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)

来源

2017-10-05 08:01:49

是....到目前为止，这是我发现的唯一解决方案，重新创建模型的相关部分。 –

是的，我也采取了重建预测器和加载重量。'by_name'是有用的，但我认为这应该是一个更清洁解决方案，如果我们不尽快提出更好的答案，我会接受答案。 – eclique

这取决于你想要做什么。

如果你要扔掉的特征提取之后
如果你打算训练特征提取后

如果你要使用提取的特征，但你不打算在训练用于生成它们的模型，你可以使用的预测方法得到的特征像你一样：

features = extractor.predict(X)

然后保存其输出到文件（np.save或cPickle或其他）。之后，您可以使用该新数据集作为新模型的输入。

如果你打算训练特征提取后，你将需要堆叠两个网络与VGG这里视为特征提取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顺序。如果你正在使用tensorflow你应该改变形状塑造=（img_width，IMG_HEIGHT，3）

来源

2017-10-04 23:05:21 maz

我想我可以在你提供的代码中看到解决方案。我将可以在稍后测试它。但主要问题是在预测器，而不是提取器。你的意思是预测吗？我会扔掉提取器，只会在预测器中使用固定的权重（未经过培训）。 – eclique

如果您要扔掉提取器，这很简单，只需从模型中获取输出数据即可。当我说“预测”时，我的意思是使用extractor.predict来获得它的输出。在这个输出结束后，您基本上会使用新的数据集。使用keras/tensorflow构建符号模型，并以模型的拟合方法传递数据，就好像它是具有映射向量的任何其他数据集一样 - >标签 – maz

我将extractor.predict（X）的要素与任何其他数据一起加载。问题是获得预测器**部分的**符号模型与训练后的权重。不幸的是，你的回答并不能解决这个问题。 :( – eclique

提取keras模型的最后一层为子模型

回答

相关问题