如何在不制作模型的情况下使用 Keras 图层

Question

我想在不制作模型的情况下使用 Keras 层 pooling layers。每次看到与 Keras 相关的示例，我都会以模型的形式看到它们，如下所示：

model = Sequential()
model.add(Conv2D(2, kernel_size=(3, 3),activation='relu',
                 input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2)))
....

model.compile(loss=keras.losses.binary_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])
model.fit(x_train, y_train,batch_size=batch_size,epochs=epochs,verbose=1,)

这样，我们首先定义input，然后建模，然后是compile，最后是fit。但是假设我必须执行 maxpooling 操作并且我只有 1 个大小为 56*64 的灰度图像，即以 4d 张量形式（1,56,64,1）输入。那么如何使用 Keras MaxPooling2D 层执行 maxpooling 操作。

Answer 1

您可以仅使用MaxPooling2D 制作模型并使用predict（没有fit）：

model = Sequential()
model.add(MaxPooling2D(pool_size=(2, 2), input_shape=input_shape))
model.compile('adadelta')

pooled = model.predict(image)

compile 完全没有影响。

完整代码

来自@Hitesh 评论的示例：

from keras.models import Sequential
from keras.layers import MaxPooling2D
import numpy as np

image=np.random.rand(1, 56, 64, 1)
input_shape=(56,64,1)

model = Sequential()
model.add(MaxPooling2D(pool_size=(2, 2), input_shape=input_shape))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])

pooled = model.predict(image)

Answer 2

您可以使用函数式 API 来做到这一点：只需定义 input，然后执行以下操作：

maxpooled = MaxPooling2D(...)(input)
maxpooled.eval(feed_dict={input: input_image}, session=...)

顺便说一句，使用 Keras 有点矫枉过正，因为它是构建 models 的工具包。您可以使用 tensorflow 或任何其他深度学习框架在不使用 keras 的情况下轻松完成。