keras功能api和多個合並層

Question

我正在嘗試使用keras設計神經網絡。 與定義的圖層相比，model.summary（）輸出是不同的

import numpy as np
np.random.seed(1337) 

from keras.models import Model
from keras.layers import Input, Convolution2D, MaxPooling2D, Activation, Flatten, merge

from keras import backend as K
K.set_image_dim_ordering('th')

input_shape = (3, 225, 225)
inp = Input(input_shape)

seq0 = MaxPooling2D(pool_size=(2, 2), strides=(2, 2), border_mode="same")(inp)
seq1 = Convolution2D(32, 1, 1, border_mode="same", activation="relu")(seq0)
seq2 = Convolution2D(32, 1, 1, border_mode="same", activation="relu")(seq1)
seq3 = merge([seq2, seq1], mode="concat", concat_axis=1)
seq4 = Convolution2D(32, 1, 1, border_mode="same", activation="relu")(seq3)
seq5 = merge([seq1, seq3], mode="concat", concat_axis=1)
seq6 = Convolution2D(128, 5, 5, border_mode="same", activation="relu")(seq5)
seq7 = merge([seq4, seq3], mode="concat", concat_axis=1)
seq8 = Convolution2D(512, 3, 3, border_mode="same", activation="relu")(seq7)
seq9 = merge([seq5, seq2], mode="concat", concat_axis=1)

seq = Flatten()(seq9)
out = Activation('softmax')(seq)


model = Model(input=inp, output=out)  
model.summary()

model.summary（）輸出

Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
input_1 (InputLayer)             (None, 3, 225, 225)   0                                            
____________________________________________________________________________________________________
maxpooling2d_1 (MaxPooling2D)    (None, 3, 113, 113)   0           input_1[0][0]                    
____________________________________________________________________________________________________
convolution2d_1 (Convolution2D)  (None, 32, 113, 113)  128         maxpooling2d_1[0][0]             
____________________________________________________________________________________________________
convolution2d_2 (Convolution2D)  (None, 32, 113, 113)  1056        convolution2d_1[0][0]            
____________________________________________________________________________________________________
merge_1 (Merge)                  (None, 64, 113, 113)  0           convolution2d_2[0][0]            
                                                                   convolution2d_1[0][0]            
____________________________________________________________________________________________________
merge_2 (Merge)                  (None, 96, 113, 113)  0           convolution2d_1[0][0]            
                                                                   merge_1[0][0]                    
____________________________________________________________________________________________________
merge_4 (Merge)                  (None, 128, 113, 113) 0           merge_2[0][0]                    
                                                                   convolution2d_2[0][0]            
____________________________________________________________________________________________________
flatten_1 (Flatten)              (None, 1634432)       0           merge_4[0][0]                    
____________________________________________________________________________________________________
activation_1 (Activation)        (None, 1634432)       0           flatten_1[0][0]                  
====================================================================================================

model.summary（）輸出中缺少seq4，seq6，seq8層。 難道我做錯了什么？

Answer 1

您沒有使用它們來計算輸出。

以seq4為例：你把它喂給seq7，它被送到seq8，它不會去任何地方。

您的模型樹的結構存在問題。

在匯總的那個中，它們從input=inp output=out導出output=out所有層，那些未在“path”中使用的層將不是模型圖的一部分。

通過seq4，seq6，seq7和seq8的流程不會導致模型的輸出。

這對你有幫助嗎？

編輯：

合並層的功能類似於您的代碼中的示例：

seq3 = merge([seq2, seq1], mode="concat", concat_axis=1)

在這里你可以得到層seq2和seq1的結果，它們有shapes = (None,32,113,113) 。 這是該層的輸入，兩個不同的張量來自seq2和seq1。 你精確地想要在軸1之后連接那些4D張量。因此，該合並層的輸出將是shape = (None,64,113,113) 。 在連接期間，兩個32已被添加在一起。 您可以閱讀我剛剛在您的model.summary() “merge_1”行解釋的內容