keras 功能 API model 仅传递.network 的输入和输出时如何知道层

Question

我是 Keras 的新手，正在研究功能性 api model 结构。

1-如文档中所述。 keras.Model只接受输入和 output 参数，层列在 Model 之前。有人能告诉我keras.Model是如何知道输入 33 和 81634 之间的层结构和多层的吗？和 output arrays。

2 - 另外， layers.output或layers.input的 output 是什么。 output 不是简单的张量吗？ 当我使用此示例中的语法为其他层打印 layers.output 时，我在下面看到 output。 看起来 layers.output 和 layers.input 也包含图层信息，例如dense_5/Relu:0 。 有人可以澄清以下 output 的组件代表什么吗

print [layer.output for layer in model.layers]

output：

 [<tf.Tensor 'input_6:0' shape=(None, 3) dtype=float32>,
  <tf.Tensor 'dense_5/Relu:0' shape=(None, 4) dtype=float32>,
  <tf.Tensor 'dense_6/Softmax:0' shape=(None, 5) dtype=float32>]

Answer 1

1. 在编译/拟合/评估之前，您应该先描述 model。 你做一个序列：第一层是输入，接下来是一堆中间层，然后是 output 层。

就像在你的例子中：

inputs = keras.Input(shape=(784,))          # input layer
dense = layers.Dense(64, activation="relu") # describe a dense layer
x = dense(inputs)                           # set x as a result of dense layer with inputs
x = layers.Dense(64, activation="relu")(x)  # "update" x with next layer which has previous dense layer as input
outputs = layers.Dense(10)(x)               # set your output
model = keras.Model(inputs=inputs, outputs=outputs, name="mnist_model") # incorporate all layers in a model

所以基本上Keras已经知道model里面是什么了。

2. 您正在寻找获取中间层的输出。 这是迁移学习（当您使用预训练的 model 作为特征提取器时）或某些架构作为跳过连接时的通用原则。 在这种情况下，您将获得多个输出。 Also.network 可以在 model 末尾有多个输出，具体取决于 model 的用途。 在您的示例中，它们仅用于演示目的，没有任何意义。 看看更有意义的 特征提取

Answer 2

要回答关于 model 如何知道在中间张量上调用的层的第一个问题，我认为查看help(keras.Input)会很有帮助：

Input()用于实例化一个 Keras 张量。

Keras 张量是一个类似 object 的符号张量，我们通过某些属性对其进行扩充，这些属性允许我们仅通过了解 model 的输入和输出来构建 Keras model。

所以基本上，Keras 正在使用 Python 在引擎盖下做一些魔术。

每次在 Keras 张量上调用 Keras 层时，它会输出一个 Keras 张量，该张量已根据该层的功能进行数学转换，但也会向该 Keras 张量（在对象的 Python 属性中）添加有关该层的一些信息。