在带有 Tensorflow 张量的 Keras 模型中使用 InputLayer（或 Input）有什么好处？

Question

甲Keras模型可以用作一个张量一个Tensorflow功能，通过所述功能API，如所描述这里。

所以我们可以这样做：

from keras.layers import InputLayer

a = tf.placeholder(dtype=tf.float32, shape=(None, 784))

model = Sequential()
model.add(InputLayer(input_tensor=a, input_shape=(None, 784)))
model.add(Dense(32, activation='relu'))
model.add(Dense(10, activation='softmax'))

output = model.output

这是一个张量：

<tf.Tensor 'dense_24/Softmax:0' shape=(?, 10) dtype=float32>

但是，这也可以在没有任何InputLayer情况下InputLayer ：

a = tf.placeholder(dtype=tf.float32, shape=(None, 784))

model = Sequential()
model.add(Dense(32, activation='relu', input_shape=(784,)))
model.add(Dense(10, activation='softmax'))

output = model(a)

工作，并且output具有与以前相同的形状：

<tf.Tensor 'sequential_9/dense_22/Softmax:0' shape=(?, 10) dtype=float32>

我假设第一种形式允许：

• 明确地将inputs和outputs附加为模型的属性（同名），以便我们可以在其他地方重用它们。 例如与其他 TF 操作。
• 将作为输入给出的张量转换为_keras_history输入，并带有额外的元数据（例如源代码中所述的_keras_history ）。

但这不是我们不能用第二种形式做的事情，那么， InputLayer （和Input a InputLayer是否有特殊用法（多个输入除外）？
此外， InputLayer很棘手，因为它使用input_shape与其他 keras 层不同：我们指定批次大小（此处为None ），通常情况并非如此...

Answer 1

InputLayer似乎有一些用途：

• 首先，它允许您按原样提供纯张量流张量，而无需指定其形状。 例如你可以写

   model.add(InputLayer(input_tensor=a))

  这很好，有几个明显的原因，其中包括减少重复。

• 其次，它们允许您使用单个输入编写非序列网络，例如

   input / \\ / \\ / \\ conv1 conv2 | |

  如果没有InputLayer您将需要明确地为conv1和conv2相同的张量，或者在模型之上创建任意标识层。 两者都不是很令人满意。

• 最后，他们消除了“也是输入的层”和“正常层”之间的任意区别。 如果您使用InputLayer您可以编写代码，其中明确区分哪个层是输入和哪个层执行某些操作。 这提高了代码的可读性并使重构更加容易。 例如，替换第一层就像替换任何其他层一样简单，您无需考虑input_shape 。