Как добавить несколько слоев перед моделью в трансферное обучение с тензорным потоком - PullRequest
Новая
       26

Как добавить несколько слоев перед моделью в трансферное обучение с тензорным потоком

0 голосов
/ 30 мая 2019

Я пытаюсь использовать трансферное обучение в тензорном потоке. Я знаю парадигму высокого уровня 

base_model=MobileNet(weights='imagenet',include_top=False) #imports the 

mobilenet model and discards the last 1000 neuron layer.

x=base_model.output
x=GlobalAveragePooling2D()(x)
x=Dense(1024,activation='relu')(x) #we add dense layers so that the model can learn more complex functions and classify for better results.
x=Dense(1024,activation='relu')(x) #dense layer 2
x=Dense(512,activation='relu')(x) #dense layer 3
preds=Dense(120,activation='softmax')(x) #final layer with softmax activation

и затем один компилирует это 

model=Model(inputs=base_model.input,outputs=preds)

Однако я хочу, чтобы до base_model.input было несколько других слоев. Я хочу добавить состязательный шум к изображениям, которые входят, и несколько других вещей. Так эффективно я хочу знать, как: 

base_model=MobileNet(weights='imagenet',include_top=False) #imports the 

mobilenet model and discards the last 1000 neuron layer

x = somerandomelayers(x_in)
base_model.input = x_in
x=base_model.output
x=GlobalAveragePooling2D()(x)
x=Dense(1024,activation='relu')(x) #we add dense layers so that the model can learn more complex functions and classify for better results.
x=Dense(1024,activation='relu')(x) #dense layer 2
x=Dense(512,activation='relu')(x) #dense layer 3
preds=Dense(120,activation='softmax')(x) #final layer with softmax activation
model=Model(inputs=x_in,outputs=preds)

но строка base_model.input = x_in, по-видимому, не способ сделать это, поскольку она выдает can't set attribute ошибку. Как мне добиться желаемого поведения?

1 Ответ

1 голос
/ 30 мая 2019

Вам необходимо определить входной слой. Это довольно просто, просто убедитесь, что установили правильные формы. Например, вы можете использовать любую предопределенную модель от Keras. 

base_model = keras.applications.any_model(...)
input_layer = keras.layers.Input(shape)
x = keras.layers.Layer(...)(input_layer)
...
x = base_model(x)
...
output = layers.Dense(num_classes, activation)(x)
model = keras.Model(inputs=input_layer, outputs=output)
...