在帶有 Tensorflow 張量的 Keras 模型中使用 InputLayer（或 Input）有什么好處？

Question

甲Keras模型可以用作一個張量一個Tensorflow功能，通過所述功能API，如所描述這里。

所以我們可以這樣做：

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

這是一個張量：

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

但是，這也可以在沒有任何InputLayer情況下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，並且output具有與以前相同的形狀：

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

我假設第一種形式允許：

• 明確地將inputs和outputs附加為模型的屬性（同名），以便我們可以在其他地方重用它們。 例如與其他 TF 操作。
• 將作為輸入給出的張量轉換為_keras_history輸入，並帶有額外的元數據（例如源代碼中所述的_keras_history ）。

但這不是我們不能用第二種形式做的事情，那么， InputLayer （和Input a InputLayer是否有特殊用法（多個輸入除外）？
此外， InputLayer很棘手，因為它使用input_shape與其他 keras 層不同：我們指定批次大小（此處為None ），通常情況並非如此...

Answer 1

InputLayer似乎有一些用途：

• 首先，它允許您按原樣提供純張量流張量，而無需指定其形狀。 例如你可以寫

   model.add(InputLayer(input_tensor=a))

  這很好，有幾個明顯的原因，其中包括減少重復。

• 其次，它們允許您使用單個輸入編寫非序列網絡，例如

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

  如果沒有InputLayer您將需要明確地為conv1和conv2相同的張量，或者在模型之上創建任意標識層。 兩者都不是很令人滿意。

• 最后，他們消除了“也是輸入的層”和“正常層”之間的任意區別。 如果您使用InputLayer您可以編寫代碼，其中明確區分哪個層是輸入和哪個層執行某些操作。 這提高了代碼的可讀性並使重構更加容易。 例如，替換第一層就像替換任何其他層一樣簡單，您無需考慮input_shape 。