使用中間層作為輸入和輸出的 keras 模型

Question

我在 Keras（Tensoflow 后端）中有一個基本的 LSTM 自動編碼器。 該模型的結構如下：

l0 = Input(shape=(10, 2))
l1 = LSTM(16, activation='relu', return_sequences=True)(l0)
l2 = LSTM(8, activation='relu', return_sequences=False)(l1)
l3 = RepeatVector(10)(l2)
l4 = LSTM(8, activation='relu', return_sequences=True)(l3)
l5 = LSTM(16, activation='relu', return_sequences=True)(l4)
l6 = TimeDistributed(Dense(2))(l5)

我可以按如下方式提取和編譯編碼器和自動編碼器：

encoder = Model(l0, l2)
auto_encoder = Model(l0, l6)
auto_encoder.compile(optimizer='rmsprop', loss='mse', metrics=['mse'])

但是，當我嘗試使用中間層制作模型時，例如：

decoder = Model(inputs=l3, outputs=l6)

我收到以下錯誤：

ValueError: Graph disconnected: cannot obtain value for tensor Tensor("input_12:0", shape=(?, 10, 2), dtype=float32) at layer "input_12". The following previous layers were accessed without issue: []

我不明白l3和l6是如何相互斷開的！ 我還嘗試使用get_layer(...).input和get_layer(...).output制作解碼器，但它拋出了同樣的錯誤。

一個解釋對我很有幫助。

Answer 1

問題是您嘗試創建的模型沒有輸入層：

decoder = Model(inputs=l3, outputs=l6)

您可以通過生成一個具有正確形狀的新Input()圖層然后訪問每個現有圖層來創建一個。 像這樣的東西：

input_layer = Input(shape=(8,))
l3 = auto_encoder.layers[3](input_layer)
l4 = auto_encoder.layers[4](l3)
l5 = auto_encoder.layers[5](l4)
l6 = auto_encoder.layers[6](l5)

decoder = Model(input_layer, l6)
decoder.summary()

Model: "model_2"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_14 (InputLayer)        [(None, 8)]               0         
_________________________________________________________________
repeat_vector_2 (RepeatVecto (None, 10, 8)             0         
_________________________________________________________________
lstm_12 (LSTM)               (None, 10, 8)             544       
_________________________________________________________________
lstm_13 (LSTM)               (None, 10, 16)            1600      
_________________________________________________________________
time_distributed_1 (TimeDist (None, 10, 2)             34        
=================================================================
Total params: 2,178
Trainable params: 2,178
Non-trainable params: 0