如何使用Tensorflow張量設置Keras圖層的輸入？

在我的previous question中，我使用Keras的'Layer.set_input()將我的Tensorflow預處理輸出張量連接到我的Keras模型的輸入。然而，在Keras版本1.1.1之後，this method has been removed。如何使用Tensorflow張量設置Keras圖層的輸入？

我如何在更新的Keras版本中實現這一點？

例子：

# Tensorflow pre-processing 
raw_input = tf.placeholder(tf.string) 
### some TF operations on raw_input ### 
tf_embedding_input = ... # pre-processing output tensor 

# Keras model 
model = Sequential() 
e = Embedding(max_features, 128, input_length=maxlen) 

### THIS DOESN'T WORK ANYMORE ### 
e.set_input(tf_embedding_input) 
################################ 

model.add(e) 
model.add(LSTM(128, activation='sigmoid')) 
model.add(Dense(num_classes, activation='softmax'))

來源

2017-02-24 Qululu

你與前處理完畢後，你可以通過調用tensor PARAM的Input

所以你的情況添加張量作爲輸入層：

tf_embedding_input = ... # pre-processing output tensor 

# Keras model 
model = Sequential() 
model.add(Input(tensor=tf_embedding_input)) 
model.add(Embedding(max_features, 128, input_length=maxlen))

來源

2017-02-24 19:23:35 indraforyou

在這一行'model.add（Input（tensor = tf_embedding_input））'，下面的**錯誤被提出**：TypeError：a dded層必須是類Layer的一個實例。 Found：Tensor（「tf_embedding_input：0」，shape =（？，23），dtype = int64）'。我**通過將行更改爲'model.add（InputLayer（input_tensor = embedding_input））'來解決此問題。感謝您指引我朝着正確的方向！ – Qululu

沒問題，我通常使用功能'Model'而不是'Sequential'，其中'Input'工作，但很高興您將它固定在您的末端 – indraforyou

是的，我之前使用過功能'Model'並將預處理在「輸入」層之後的「Lambda」層中：「Lambda（preprocess_func，...）」。我可以假設，實際上，這實現了同樣的事情？ – Qululu

如何使用Tensorflow張量設置Keras圖層的輸入？

回答

相關問題