在 keras 的输出阶段组合多个预训练模型

Question

我创建了四个 3D-CNN 模型，每个模型都在一组不同（但相关）的图像上进行训练，这样每组都具有相同对象的不同视角的图像。 （即：n 个对象有来自 4 个不同视角的图像，每个模型都关联到一个视角）。

def get_model(width=128, height=128, depth=4):


inputs = Input((width, height, depth, 3))

x = Conv3D(filters=64, kernel_size=8,padding='same', activation="relu")(inputs)
x = MaxPool3D(pool_size=2,data_format= "channels_first", padding='same')(x)
x = BatchNormalization()(x)


x = Conv3D(filters=256, kernel_size=3,padding='same', activation="relu")(x)
x = MaxPool3D(pool_size=2,data_format= "channels_first", padding='same')(x)
x = BatchNormalization()(x)

x = GlobalAveragePooling3D()(x)
x = Dense(units=512, activation="relu")(x)
x = Dropout(0.3)(x)

outputs = Dense(units=2, activation="sigmoid")(x)

# Define the model.
model = keras.Model(inputs, outputs)
return model

我现在有四个预训练模型，我想通过删除最后一个密集层（sigmoid）来组合它们，而是连接所有四个模型的密集层，然后是一个激活函数（即：sigmoid） .我想保留四个输入层，这样每个输入层都会从一个角度拍摄一个物体的图像。我已经看到了将 model_1 的输出层连接到 model_2 的输入层的示例，但是，我不确定如何处理四个单独的输入层并在模型末尾进行连接。

Answer 1

假设您有名为“A.h5”和“B.h5”的预训练模型文件。您可以简单地在 TensorFlow 中加载它们，使用 layers 属性访问您感兴趣的层，​​并将它们与功能 API 合并。一个例子如下：

import tensorflow as tf 

pretrainedmodel_files = ["A.h5", "B.h5"]

A,B = [tf.keras.models.load_model(filename) for filename in pretrainedmodel_files]

# Skipping the last dense layer and the dropout means accessing the layer at the index -3
concat = tf.keras.layers.Concatenate()([A.layers[-3].output, B.layers[-3].output])
out = tf.keras.layers.Dense(2,activation="sigmoid")(concat)
model = tf.keras.Model(inputs=[A.input, B.input], outputs=out)

---

我用以下代码创建了两个简单的模型：

tf.keras.Sequential(
        [
            tf.keras.layers.Dense(10, activation="relu", input_shape=(5,)),
            tf.keras.layers.Dropout(0.3),
            tf.keras.layers.Dense(2, activation="sigmoid")
        ]
)

然后将它们与我的示例代码合并在一起。

A 和 B 具有以下架构（使用 netron 进行可视化）：

以及合并后的网络：