使用 Sequential API 从 Keras 自动编码器中提取编码/解码模型答案

【问题标题】：Extracting encoding/decoding models from Keras autoencoder using Sequential API使用 Sequential API 从 Keras 自动编码器中提取编码/解码模型
【发布时间】：2019-05-19 11:50:30
【问题描述】：

我正在训练使用 Keras 中的 Sequential API 构建的自动编码器。我想创建单独的模型来实现编码和解码功能。我从examples 知道如何使用功能 API 执行此操作，但我找不到如何使用 Sequential API 完成此操作的示例。以下示例代码是我的起点：

input_dim = 2904
encoding_dim = 4
hidden_dim = 128

# instantiate model
autoencoder = Sequential()

# 1st hidden layer    
autoencoder.add(Dense(hidden_dim, input_dim=input_dim, use_bias=False))
autoencoder.add(BatchNormalization())
autoencoder.add(Activation('elu'))
autoencoder.add(Dropout(0.5))

# encoding layer    
autoencoder.add(Dense(encoding_dim, use_bias=False))
autoencoder.add(BatchNormalization())
autoencoder.add(Activation('elu'))
# autoencoder.add(Dropout(0.5))

# 2nd hidden layer    
autoencoder.add(Dense(hidden_dim, use_bias=False))
autoencoder.add(BatchNormalization())
autoencoder.add(Activation('elu'))
autoencoder.add(Dropout(0.5))

# output layer
autoencoder.add(Dense(input_dim))

我意识到我可以使用autoencoder.layer[i] 选择单个图层，但我不知道如何将新模型与一系列此类图层相关联。我天真地尝试了以下方法：

encoder = Sequential()
for i in range(0,7):
    encoder.add(autoencoder.layers[i])

decoder = Sequential()
for i in range(7,12):
    decoder.add(autoencoder.layers[i])


print(encoder.summary())
print(decoder.summary())

这似乎适用于编码器部分（显示了有效的摘要），但解码器部分产生了错误：

This model has not yet been built. Build the model first by calling build() or calling fit() with some data. Or specify input_shape or batch_input_shape in the first layer for automatic build.

【问题讨论】：

标签： python machine-learning keras keras-layer autoencoder

【解决方案1】：

由于没有明确设置中间层的输入形状（即这里我指的是autoencoder.layers[7]），当您将其作为第一层添加到另一个模型时，该模型不会自动构建（即构建过程涉及为模型中的层构建权重张量）。因此，您需要显式调用build 方法并设置输入形状：

decoder.build(input_shape=(None, encoding_dim))   # note that batch axis must be included

附带说明，无需在model.summary() 上调用print，因为它会自行打印结果。

【讨论】：

所以中间层显然没有在内部保留上一层输出维度的知识？这样就可以解释了——谢谢。

【解决方案2】：

另一种方法也有效。

input_img = Input(shape=(encoding_dim,))
previous_layer = input_img
for i in range(bottleneck_layer,len(autoencoder.layers)): # bottleneck_layer = index of bottleneck_layer + 1!
    next_layer = autoencoder.layers[i](previous_layer)
    previous_layer = next_layer
decoder = Model(input_img, next_layer)

【讨论】：