在两个网络中将神经网络拆分为保留权重的python

PeCaDe 发表于 Dev

佩卡德

在本文中，keras我想将模型与结构的初始层一起用于给定的经过训练的神经网络，并在训练过程中获得权重。

案例：假设我们有一个数据集df，拆分为train，dev然后test训练一个神经网络，在这个示例中为autoencoder。

一段真实的代码说明了这个概念，但没有提供数据（我认为没有必要）：

from keras.models import Model
from keras.layers import Activation, Dense, Dropout, Input

# Define input layer
input_data = Input(shape=(train.shape[1],), name='Input')

# Define encoding layer
encoded = Dense(encoding_dim, activation='relu')(input_data)

# Define decoding layer
decoded = Dense(train.shape[1], activation='sigmoid')(encoded)

# Create the autoencoder model
autoencoder = Model(input_data, decoded, name='Simple AutoEncoder')

#Compile the autoencoder model
autoencoder.compile(optimizer='rmsprop',
                    loss='binary_crossentropy')

autoencoder.fit(train, train,
                epochs=50,
                batch_size=256,
                shuffle=True,
                validation_data=(dev_x, dev_x), verbose=0)

之后compile和fit模型，我们有了一个神经网络，其权重是我们从拟合过程中获得的。

如何encoder part通过保持重量来只使用该网的？

佩卡德

通过训练一个Autoencoder，encoder将使用包含自动编码器训练后的权重的编码对象创建神经网络部分。

# Getting the trained weights of the first layer(dense layer of encoder)
weights_ae = autoencoder.layers[1].get_weights()[0]

# The previous code of the example...

# Creating the encoder model
encoder = Model(input_data, encoded, name='Encoder')

# Getting the weights of the encoder model
weights_e = encoder.layers[1].get_weights()[0]

因此，最终将确定，通过创建模型，encoder将具有来自自动编码器的权重（“受过训练的经验”）。

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。