您当前的位置:首页 > IT编程 > 医学CAD
| C语言 | Java | VB | VC | python | Android | TensorFlow | C++ | oracle | 学术与代码 | cnn卷积神经网络 | gnn | 图像修复 | Keras | 数据集 | Neo4j | 自然语言处理 | 深度学习 | 医学CAD | 医学影像 | 超参数 | pointnet | pytorch | 异常检测 | Transformers | 情感分类 | 知识图谱 |

自学教程:Keras层与模型的重用技巧

51自学网 2020-11-05 11:09:32
  医学CAD
这篇教程Keras层与模型的重用技巧写得很实用,希望能帮到您。

“让Keras更酷一些!”:层与模型的重用技巧

 

“让Keras更酷一些!”:层与模型的重用技巧

 

今天我们继续来深挖Keras,再次体验Keras那无与伦比的优雅设计。这一次我们的焦点是“重用”,主要是层与模型的重复使用。

所谓重用,一般就是奔着两个目标去:一是为了共享权重,也就是说要两个层不仅作用一样,还要共享权重,同步更新;二是避免重写代码,比如我们已经搭建好了一个模型,然后我们想拆解这个模型,构建一些子模型等。

基础 #

事实上,Keras已经为我们考虑好了很多,所以很多情况下,掌握好基本用法,就已经能满足我们很多需求了。

层的重用 #

层的重用是最简单的,将层初始化好,存起来,然后反复调用即可:

x_in = Input(shape=(784,))
x = x_in

layer = Dense(784, activation='relu') # 初始化一个层,并存起来

x = layer(x) # 第一次调用
x = layer(x) # 再次调用
x = layer(x) # 再次调用

 

要注意的是,必须先初始化好一个层,存为一个变量好再调用,才能保证重复调用的层是共享权重的。反之,如果是下述形式的代码,则是非共享权重的:

x = Dense(784, activation='relu')(x) 
x = Dense(784, activation='relu')(x) # 跟前面的不共享权重
x = Dense(784, activation='relu')(x) # 跟前面的不共享权重

模型重用 #

Keras的模型有着类似层的表现,在调用时可以用跟层一样的方式,比如:

x_in = Input(shape=(784,))
x = x_in

x = Dense(10, activation='softmax')(x)

model = Model(x_in, x) # 建立模型


x_in = Input(shape=(100,))
x = x_in

x = Dense(784, activation='relu')(x)
x = model(x) # 将模型当层一样用

model2 = Model(x_in, x)

读过Keras源码的朋友就会明白,之所以可以将模型当层那样用,是因为Model本身就是继承Layer类来写的,所以模型自然也包含了层的一些相同特性。

模型克隆 #

模型克隆跟模型重用类似,只不过得到的新模型跟原模型不共享权重了,也就是说,仅仅保留完全一样的模型结构,两个模型之间的更新是独立的。Keras提供了模型可用专用的函数,直接调用即可:

from keras.models import clone_model

model2 = clone_model(model1)

注意,clone_model完全复制了原模型模型的结构,并重新构建了一个模型,但没有复制原模型的权重的值。也就是说,对于同样的输入,model1.predictmodel2.predict的结果是不一样的。

如果要把权重也搬过来,需要手动set_weights一下:

model2.set_weights(K.batch_get_value(model1.weights))

进阶 #

上述谈到的是原封不等的调用原来的层或模型,所以比较简单,Keras都准备好了。下面介绍一些复杂一些的例子。

交叉引用 #

这里的交叉引用是指在定义一个新层的时候,沿用已有的某个层的权重,注意这个自定义层可能跟旧层的功能完全不一样,它们之间纯粹是共享了某个权重而已。比如,Bert在训练MLM的时候,最后预测字词概率的全连接层,权重就是跟Embedding层共享的。

参考写法如下:

class EmbeddingDense(Layer):
    """运算跟Dense一致,只不过kernel用Embedding层的embedding矩阵
    """
    def __init__(self, embedding_layer, activation='softmax', **kwargs):
        super(EmbeddingDense, self).__init__(**kwargs)
        self.kernel = K.transpose(embedding_layer.embeddings)
        self.activation = activation
        self.units = K.int_shape(self.kernel)[1]

    def build(self, input_shape):
        super(EmbeddingDense, self).build(input_shape)
        self.bias = self.add_weight(name='bias',
                                    shape=(self.units,),
                                    initializer='zeros')

    def call(self, inputs):
        outputs = K.dot(inputs, self.kernel)
        outputs = K.bias_add(outputs, self.bias)
        outputs = Activation(self.activation).call(outputs)
        return outputs
        
    def compute_output_shape(self, input_shape):
        return input_shape[:-1] + (self.units,)


# 用法
embedding_layer = Embedding(10000, 128)
x = embedding_layer(x) # 调用Embedding层
x = EmbeddingDense(embedding_layer)(x) # 调用EmbeddingDense层

提取中间层 #

有时候我们需要从搭建好的模型中提取中间层的特征,并且构建一个新模型,在Keras中这同样是很简单的操作:

from keras.applications.resnet50 import ResNet50
model = ResNet50(weights='imagenet')

Model(
    inputs=model.input,
    outputs=[
        model.get_layer('res5a_branch1').output,
        model.get_layer('activation_47').output,
    ]
)

从中间拆开 #

最后,来到本文最有难度的地方了,我们要将模型从中间拆开,搞懂之后也可以实现往已有模型插入或替换新层的操作。这个需求看上去比较奇葩,但是还别说,stackoverflow上面还有人提问过,说明这确实是有价值的。

假设我们有一个现成的模型,它可以分解为

inputsh1h2h3h4outputsinputs→h1→h2→h3→h4→outputs


那可能我们需要将h2h2替换成一个新的输入,然后接上后面的层,来构建一个新模型,即新模型的功能是:

inputsh3h4outputsinputs→h3→h4→outputs


如果是Sequential类模型,那比较简单,直接把model.layers都遍历一边,就可以构建新模型了:

 

x_in = Input(shape=(100,))
x = x_in

for layer in model.layers[2:]:
    x = layer(x)

model2 = Model(x_in, x)

但是,如果模型是比较复杂的结构,比如残差结构这种不是一条路走到底的,就没有这么简单了。事实上,这个需求本来没什么难度,该写的Keras本身已经写好了,只不过没有提供现成的接口罢了。为什么这么说,因为我们通过model(x)这样的代码调用已有模型的时候,实际上Keras就相当于把这个已有的这个model从头到尾重新搭建了一遍,既然可以重建整个模型,那搭建“半个”模型原则上也是没有任技术难度的,只不过没有现成的接口。具体可以参考Keras源码keras/engine/network.pyrun_internal_graph函数。

完整重建一个模型的逻辑在run_internal_graph函数里边,并且可以看到它还不算简单,所以如无必要我们最好不要重写这个代码。但如果不重写这个代码,又想调用这个代码,实现从中间层拆解模型的功能,唯一的办法是“移花接木”了:通过修改已有模型的一些属性,欺骗一下run_internal_graph函数,使得它以为模型的输入层是中间层,而不是原始的输入层。有了这个思想,再认真读读run_internal_graph函数的代码,就不难得到下述参考代码:

def get_outputs_of(model, start_tensors, input_layers=None):
    """start_tensors为开始拆开的位置
    """
    # 为此操作建立新模型
    model = Model(inputs=model.input,
                  outputs=model.output,
                  name='outputs_of_' + model.name)
    # 适配工作,方便使用
    if not isinstance(start_tensors, list):
        start_tensors = [start_tensors]
    if input_layers is None:
        input_layers = [
            Input(shape=K.int_shape(x)[1:], dtype=K.dtype(x))
            for x in start_tensors
        ]
    elif not isinstance(input_layers, list):
        input_layers = [input_layers]
    # 核心:覆盖模型的输入
    model.inputs = start_tensors
    model._input_layers = [x._keras_history[0] for x in input_layers]
    # 适配工作,方便使用
    if len(input_layers) == 1:
        input_layers = input_layers[0]
    # 整理层,参考自 Model 的 run_internal_graph 函数
    layers, tensor_map = [], set()
    for x in model.inputs:
        tensor_map.add(str(id(x)))
    depth_keys = list(model._nodes_by_depth.keys())
    depth_keys.sort(reverse=True)
    for depth in depth_keys:
        nodes = model._nodes_by_depth[depth]
        for node in nodes:
            n = 0
            for x in node.input_tensors:
                if str(id(x)) in tensor_map:
                    n += 1
            if n == len(node.input_tensors):
                if node.outbound_layer not in layers:
                    layers.append(node.outbound_layer)
                for x in node.output_tensors:
                    tensor_map.add(str(id(x)))
    model._layers = layers # 只保留用到的层
    # 计算输出
    outputs = model(input_layers)
    return input_layers, outputs

用法:

from keras.applications.resnet50 import ResNet50
model = ResNet50(weights='imagenet')

x, y = get_outputs_of(
    model,
    model.get_layer('add_15').output
)

model2 = Model(x, y)

代码有点长,但其实逻辑很简单,真正核心的代码只有三行:

model.inputs = start_tensors
model._input_layers = [x._keras_history[0] for x in input_layers]
outputs = model(input_layers)

也就是覆盖模型的model.inputsmodel._input_layers就可以实现欺骗模型从中间层开始构建的效果了,其余的多数是适配工作,不是技术上的,而model._layers = layers这一句是只保留了从中间层开始所用到的层,只是为了统计模型参数量的准确性,如果去掉这一部分,模型的参数量依然是原来整个model那么多。

小结 #

Keras是最让人赏心悦目的深度学习框架,至少到目前为止,就模型代码的可读性而言,没有之一。可能读者会提到PyTorch,诚然PyTorch也有不少可取之处,但就可读性而言,我认为是比不上Keras的。

在深究Keras的过程中,我不仅惊叹于Keras作者们的深厚而优雅的编程功底,甚至感觉自己的编程技能也提高了不少。不错,我的很多Python编程技巧,都是从读Keras源码中学习到的。


keras-applications-VGG16解读:函数式
使用全卷积神经网络FCN,进行图像语义分割详解(附带Tensorflow详解代码实现)
万事OK自学网:51自学网_软件自学网_CAD自学网自学excel、自学PS、自学CAD、自学C语言、自学css3实例,是一个通过网络自主学习工作技能的自学平台,网友喜欢的软件自学网站。