如何使用特定的權重和偏置在keras中組合兩層？

我想重寫一段使用Keras的tflearn代碼。如何使用特定的權重和偏置在keras中組合兩層？

目標是結合兩個輸入，其中一個輸入跳過第一個層。下面的代碼在tflearn：

# Two different inputs. 
    inputs = tflearn.input_data(shape=[None, 10]) 
    action = tflearn.input_data(shape=[None, 10]) 

    #First layer used only by the inputs 
    net = tflearn.fully_connected(inputs, 400, activation='relu') 

    # Add the action tensor in the 2nd hidden layer 
    # Use two temp layers to get the corresponding weights and biases 
    t1 = tflearn.fully_connected(net, 300) 
    t2 = tflearn.fully_connected(action, 300) 

    # Combine the two layers using the weights from t1 and t2 and the bias from t2 
    net = tflearn.activation(tf.matmul(net,t1.W) + tf.matmul(action, t2.W) + t2.b, activation='relu')

我嘗試使用下面的代碼複製在Keras驗證碼：

# Two different inputs. 
    inputs = tf.placeholder(tf.float32, [None, 10]) 
    action = tf.placeholder(tf.float32, [None, 10]) 

    #First layer used only by the inputs 
    t1 = Sequential() 
    t1.add(Dense(400, activation='relu', input_shape=(1,10))) 

    # Add the action tensor in the 2nd hidden layer 
    # Use two temp layers to get the corresponding weights and biases 
    t1.add(Dense(300)) 

    t2 = Sequential() 
    t2.add(Dense(300, input_shape=(1,10))) 

    # Combine the two layers 
    critnet = Sequential() 
    critnet.add(Merge([t1, t2], mode='sum')) 
    critnet.add(Activation('relu')) 

    # Create the net using the inputs and action placeholder 
    net = critnet([inputs, action])

在keras的代碼具有不同的行爲。如何結合keras中的兩個層以獲得與tflearn中相同的結果？

來源

2017-03-16 DP Greveling

不確定你的行爲有什麼不同，但這兩個代碼是非常不同的。首先在tflearn代碼中添加一個偏差項（keras代碼中不存在）。然後，tflearn代碼以ReLU激活結束（可以通過.add（激活（'relu'）））添加到keras中）。「使用兩個臨時層來獲得相應的權重和偏見」對此沒有任何意義。 – maz

謝謝。 relu激活層確實缺失。我已經添加了它。評論''使用兩個臨時層來獲得相應的權重和偏差''這意味着我們可以使用t1和t2中的權重和偏差來組合它們並形成一個新層。在Keras中，我們可以使用Merge合併圖層，如代碼中所示，但是有什麼方法可以合併它們，就像它在tflearn代碼中完成的一樣。 –

您可以使用一個Lambda層take以2層作爲輸入並使用keras.backend以相同的方式合併它們。我認爲matmul有K.dot。

來源

2017-03-16 20:56:20 Dref360

如何使用特定的權重和偏置在keras中組合兩層？

回答

相關問題