在没有输入层的情况下，是否可以在Keras Functional API中创建模型

Question

我想在Keras中创建一个由2个卷积层、一个平坦层和一个密集层组成的模型。这将是一个具有共享权重的模型，因此没有任何预定义的输入层。

可以使用顺序方式：

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu))
model.add(tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu))
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(200,activation=tf.nn.relu))

但是，使用Functional API会产生一个TypeError:

model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)
model2 = tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Flatten()(model2)
model2 = tf.keras.layers.Dense(200,activation=tf.nn.relu)(model2)

错误：

TypeError: Inputs to a layer should be tensors. Got: <tensorflow.python.keras.layers.convolutional.Conv2D object at 0x7fb060598100>

这样做是不可能的，还是我错过了什么？

Answer 1

keras sequential api设计得更易于使用，因此不如函数式api灵活。这样做的好处是，无论你传递给输入"层"形状的数据是什么形状，都可以自动推断出它。缺点是这个更容易使用的模型被简化了，所以你不能做像使用多个输入这样的事情。

来自keras文档：

在以下情况下，顺序模型不合适：

• 您的模型有多个输入或多个输出
• 任何层都有多个输入或多个输出
• 你需要进行图层共享
• 您想要非线性拓扑(例如，剩余连接、多分支模型(

函数api设计得更灵活，即多个输入，因此它不会为您进行任何类型的自动推理，因此会出现错误。在这种情况下，必须显式传递输入层。对于您的用例，它不会自动推断形状，这可能看起来很奇怪，但当您考虑更广泛的用例场景时，这是有意义的。

所以第二种情况应该是：

model2 = tf.keras.layers.Input((10,3,2)) # specified input layer
model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Conv2D(20,3,2,'valid',activation=tf.nn.relu)(model2)
model2 = tf.keras.layers.Flatten()(model2)
model2 = tf.keras.layers.Dense(200,activation=tf.nn.relu)(model2)

更新

如果您想创建两个单独的模型并将它们连接在一起，您应该使用函数API，然后由于它的限制，您必须使用输入层。所以你可以做一些类似的事情：

import tensorflow as tf
from tensorflow.keras.layers import Input, Flatten, Dense, concatenate, Conv2D
from tensorflow.keras.models import Model
input1 = Input((10,3,2))
model1 = Dense(200,activation=tf.nn.relu)(input1)
input2 = Input((10,3,2))
model2 = Dense(200,activation=tf.nn.relu)(input2)
merged = concatenate([model1, model2])
merged = Conv2D(10,3,2,'valid',activation=tf.nn.relu)(merged)
merged = Flatten()(merged)
merged = Dense(200,activation=tf.nn.relu)(merged)
model = Model(inputs=[input1, input2], outputs=merged)

上面我们有两个单独的输入，然后是两个密集层-你可以随心所欲地构建这些单独的线，然后将它们合并在一起，使它们通过卷积层，你需要使用tf.keras.layers.concatenate层，然后你可以从那里继续联合模型。将整个事情封装在Model对象中，然后可以访问训练和推理方法，如拟合/预测等。

Answer 2

keras中的链接通过层传播tensors来工作。因此，在第二个例子中，在开头，model2是keras.layers.Layer的实例，而不是tf.Tensor，这就是为什么会出现错误。

CCD_ 7创建一个张量，然后可以使用该张量来链接层。因此，如果没有具体原因，只需添加一个：

model2 = tf.keras.layers.Input((10,3,2))
model2 = tf.keras.layers.Conv2D(10,3,2,'valid',activation=tf.nn.relu)(model2)