有没有一种方法可以有选择地使用Keras TensorFlow连接层？

Question

我有一个自动编码器类型的串联网络，由一个预先训练的前向DNN (权重冻结)组成，从一个未训练的反向DNN获得输出。我希望在模型之间有一个直接的映射，这样第一个网络的输出层就代表了第二个网络的输入张量。我目前正在使用Keras API顺序模型来添加密集层，但是，这些层是完全连接的。I've included a diagram here (please have a look)

下面是我的代码片段：

(`#tandem architecture (with weights loaded from pre trained model)
Tandem = keras.models.Sequential()
Tandem.add(Dense(2, name = 'CIE_input'))
Tandem.add(Dense(1000, activation='relu', name = 'IH1'))
Tandem.add(Dense(1000, activation='relu', name = 'IH2'))
Tandem.add(Dense(3, name = 'Iout')) #need to feed a 3 layer input to FDNN
#FDNN for prediction:
Tandem.add(Dense(3, name = 'input',trainable = False))
Tandem.add(Dense(1000, activation='relu', name = 'FH1', trainable = False))
Tandem.add(Dense(1000, activation='relu', name = 'FH2', trainable = False))
Tandem.add(Dense(1000, activation='relu', name = 'FH3', trainable = False))
Tandem.add(Dense(1000, activation='relu', name = 'FH4', trainable = False))
Tandem.add(Dense(1000, activation='relu', name = 'FH5', trainable = False))
Tandem.add(Dense(1000, activation='relu', name = 'FH6', trainable = False))
Tandem.add(Dense(1000, activation='relu', name = 'FH7', trainable = False))
Tandem.add(Dense(1000, activation='relu', name = 'FH8', trainable = False))
Tandem.add(Dense(1000, activation='relu', name = 'FH9', trainable = False))
Tandem.add(Dense(1000, activation='relu', name = 'FH10', trainable = False)) 
Tandem.add(Dense(2, name = 'output')) # output layer (predicted colour (CIE))
Tandem.compile(loss='mse', optimizer='adam',metrics=['mean_squared_error','accuracy'])
#train the model for one batch to initialize variables (needed before loading weights by name)
Tandem.train_on_batch(y_train[:1], y_train[:1])
#load weights from pre-trained model 
Tandem.load_weights('/content/gdrive/My Drive/Colab Notebooks/Models/FDNN_Weights.h5', by_name=True)`

此外，我希望修复两个网络之间的连接，并且不允许重新缩放。我是TensorFlow和Keras (以及StackOverflow)的新手，所以我非常感谢任何关于如何简单地做到这一点的建议。

Answer 1

我推荐使用tf.keras中的函数式API。它可以帮助您创建具有多个内部连接和多个输入和输出的模型。

• Here是官方的document.
• Also，我推荐这些帖子(1，2，3 )。

​

​

Answer 2

我在代码中发现了一个错误；我没有定义序列模型的输入形状。我现在已经删除了名为'input CIE‘和' input’的层，将'IH1‘层和'FH1’层的输入尺寸分别定义为2和3。这种适当的模型定义允许模型直接连接，迫使反向模型的输出收敛到3个值。