Fusionando dos modelos diferentes en Keras

Estoy tratando de fusionar dos modelos Keras en un solo modelo y no puedo lograrlo.

Por ejemplo, en la Figura adjunta, me gustaría buscar la capa intermedia de la dimensión 8, y usar esto como entrada a la capa (de la dimensión 8 nuevamente) en el Modelo y luego combinar el Modelo y el Modelo como un solo modelo. $A2$ $B1$ $B$ $A$ $B$

Estoy usando el módulo funcional para crear el Modelo y el Modelo independiente. ¿Cómo puedo realizar esta tarea? $A$ $B$

Nota : es la capa de entrada con el modelo y es la capa de entrada para el modelo . $A1$ $A$ $B1$ $B$

— Rkz
fuente

Respuestas:

Descubrí la respuesta a mi pregunta y aquí está el código que se basa en la respuesta anterior.

from keras.layers import Input, Dense
from keras.models import Model
from keras.utils import plot_model

A1 = Input(shape=(30,),name='A1')
A2 = Dense(8, activation='relu',name='A2')(A1)
A3 = Dense(30, activation='relu',name='A3')(A2)

B2 = Dense(40, activation='relu',name='B2')(A2)
B3 = Dense(30, activation='relu',name='B3')(B2)

merged = Model(inputs=[A1],outputs=[A3,B3])
plot_model(merged,to_file='demo.png',show_shapes=True)

y aquí está la estructura de salida que quería:

— Rkz
fuente

Tenga en cuenta que usted está no la fusión de dos modelos (en el sentido de Keras Modelo) en lo anterior, está la combinación de capas.

— Gented

En Keras hay una forma útil de definir un modelo: usando la API funcional . Con la API funcional puede definir gráficos acíclicos dirigidos de capas, lo que le permite construir arquitecturas completamente arbitrarias. Considerando tu ejemplo:

#A_data = np.zeros((1,30))
#A_labels = np.zeros((1,30))
#B_labels =np.zeros((1,30))

A1 = layers.Input(shape=(30,), name='A_input')
A2 = layers.Dense(8, activation='???')(A1)
A3 = layers.Dense(30, activation='???', name='A_output')(A2)


B2 = layers.Dense(40, activation='???')(A2)
B3 = layers.Dense(30, activation='???', name='B_output')(B2)

## define A
A = models.Model(inputs=A1, outputs=A3)

## define B
B = models.Model(inputs=A1, outputs=B3) 

B.compile(optimizer='??',
          loss={'B_output': '??'}
          )

B.fit({'A_input': A_data},
  {'B_output': B_labels},
  epochs=??, batch_size=??)

¡Eso es todo! Puedes ver el resultado por B.summary():

Layer (type)                 Output Shape              Param    
A_input (InputLayer)         (None, 30)                0         
_________________________________________________________________
dense_8 (Dense)              (None, 8)                 248     
______________________________________________________________
dense_9 (Dense)              (None, 40)                360       
_________________________________________________________________
B_output (Dense)             (None, 30)                1230

— oficial médico
fuente

Gracias por la respuesta, pero no creo que el código anterior funcione. Primero, cuando dices B = modelos. Modelo (entradas = A2, salidas = B3) te dará un error TypeError: las capas de entrada a a Modeldeben ser InputLayerobjetos. Entradas recibidas: Tensor. Además, como se mencionó anteriormente, utilicé API funcional para crear el Modelo A y el Modelo B por separado. Creo que la respuesta que estoy buscando podría tener que ver con la sección "Modelos de múltiples entradas y múltiples salidas" en la documentación de Keras que utiliza la función de concatenación (aunque no estoy completamente seguro).

— Rkz

@Rkz: he editado la respuesta. Ahora funciona. Tenemos que usar "concatenar". En realidad, debe mencionar la entrada principal (A1) cuando desee definir el modelo "B".

— moh

Gracias por su tiempo y ediciones. Descubrí la respuesta de la documentación de Keras (ver la siguiente respuesta). No requiero concatenar para mi pregunta.

— Rkz

@Rkz: Mira la edición final, también muestro cómo compilar y ajustar el modelo.

— moh