我目前正在使用MNIST数据集研究用于图像分析的神经网络模型。我首先仅使用图像来构建第一个模型。然后,我创建了一个附加变量,当数字实际上在0到4之间时,它是0;而当数字大于或等于5时,它是1。
因此,我想构建一个模型,该模型可以获取以下两个信息:数字的图像以及我刚刚创建的那个附加变量。
我创建了两个第一个模型,一个模型用于图像,一个模型用于外生变量,如下所示:
import tensorflow as tf
from tensorflow import keras
image_model = keras.models.Sequential()
#First conv layer :
image_model.add( keras.layers.Conv2D( 64, kernel_size=3,
activation=keras.activations.relu,
input_shape=(28, 28, 1) ) )
#Second conv layer :
image_model.add( keras.layers.Conv2D( 32, kernel_size=3, activation=keras.activations.relu ) )
#Flatten layer :
image_model.add( keras.layers.Flatten() )
print( image_model.summary(), '\n' )
info_model = keras.models.Sequential()
info_model.add( keras.layers.Dense( 5, activation=keras.activations.relu, input_shape=(1,) ) )
print( info_model.summary() )
然后,我想将两个最终层都连接起来,最后放置另一个带有softmax的密集层来预测类概率。
我知道使用Keras函数式API是可行的,但是如何使用tf.keras做到这一点呢?
您可以在TF中轻松使用Keras的功能性API(已通过TF 2.0测试):
import tensorflow as tf
# Image
input_1 = tf.keras.layers.Input(shape=(28, 28, 1))
conv2d_1 = tf.keras.layers.Conv2D(64, kernel_size=3,
activation=tf.keras.activations.relu)(input_1)
# Second conv layer :
conv2d_2 = tf.keras.layers.Conv2D(32, kernel_size=3,
activation=tf.keras.activations.relu)(conv2d_1)
# Flatten layer :
flatten = tf.keras.layers.Flatten()(conv2d_2)
# The other input
input_2 = tf.keras.layers.Input(shape=(1,))
dense_2 = tf.keras.layers.Dense(5, activation=tf.keras.activations.relu)(input_2)
# Concatenate
concat = tf.keras.layers.Concatenate()([flatten, dense_2])
n_classes = 4
# output layer
output = tf.keras.layers.Dense(units=n_classes,
activation=tf.keras.activations.softmax)(concat)
full_model = tf.keras.Model(inputs=[input_1, input_2], outputs=[output])
print(full_model.summary())
这将为您提供所需的模型。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句