使用model.predict输出作为另一个模型的输入

Question

我正在尝试使用model.predict的输出作为另一个模型的输入。这实际上是为了调试目的，这也是为什么我不使用get_layer.output或使用统一这两个模型的全局模型的原因。

我遇到了这个错误：

TypeError: Cannot interpret feed_dict key as Tensor: Tensor Tensor("input_1:0", shape=(?, 10, 10, 2048), dtype=float32) is not an element of this graph.

下面是我当前的代码：

我使用下面的函数作为瓶颈生成器

def test_model_predictions(params):

        batch_size = params['batch_size'] #params just contains model parameters
        base_model = create_model() #this just creates an instance of Inception model with final layers cutoff
        train,_ = create_generators(params) #creats a generator for image files

        while True:
                for x, y in train:
                        predict1 = base_model.predict(x)

                        yield (predict1, y)




def training_bottleneck():


    bottleneck_train = test_model_predictions(params) #generator 



    def bottleneck_model_1():
        bottleneck_input = Input(shape = (10, 10, 2048))
        x = GlobalAveragePooling2D()(bottleneck_input)
        x = Dense(1024, activation='relu')(x)
        predictions = Dense(params['classes'], activation='softmax')(x)
        model = Model(inputs=bottleneck_input, outputs=predictions)
        return model




    model2 =  bottleneck_model_1()
    model2.compile(optimizer= optimizers.SGD(lr=0.0001, momentum=0.99),
                  loss='categorical_crossentropy', metrics = ['accuracy'])

    print('Starting model training')
    history = model2.fit_generator(bottleneck_train,
    steps_per_epoch = 1000,
    epochs = 85,
    shuffle= False,
    verbose = 2,  )
    return history

有任何关于如何使其工作的线索吗？

谢谢。

编辑:对于我为什么这样做似乎有些困惑，所以我将添加一些更多的信息。

我特别使用predict，因为在将model.predict值(瓶颈值)保存到hdf5文件，然后将这些值加载到另一个模型(原始模型的后半部分)时，我注意到了一个差异。

而不是仅仅加载整个模型并冻结上半部分(不能训练前半部分)。尽管使用了相同的超参数，本质上也是相同的模型，但我注意到的不同之处在于，完整的模型训练正确并收敛，而加载瓶颈值的模型并没有真正改善。因此，我试图看到，融合model.predict以保存瓶颈值是造成两个模型之间差异的原因。

Answer 1

所以基本上你想使用一个模型的预测作为第二个模型的输入？在你的代码中，你混淆了张量和“普通”的python数据结构，这是不能工作的，因为你必须用张量构建孔计算图。

我猜你想使用第一个模型的“预测”，并添加一些其他功能来进行第二个模型的预测？在这种情况下，你可以这样做：

from keras.layers import Input, Dense, concatenate
input_1= Input(shape=(32,))
input_2= Input(shape=(64,))
out_1= Dense(48, input_shape=(32,))(input_1) # your model 1
x = concatenate([out_1, input_2]) # stack both feature vectors
x = Dense(1, activation='sigmoid')(x)    # your model 2
model = Model(inputs=[input_1, input_2], outputs=[x]) # if you want the outputs of model 1 you can add the output out1


history = model.fit([x_train, x_meta_train], y_train, ...)