我正在尝试在 Tensorflow 2 中复制 OpenPose 的训练，作为我 TF2 学习的一部分，但为了能够做到这一点，我需要在我的损失函数中使用 S、L 中间层的输出。
我尝试使用功能 API，但似乎无法从 S/L 层获取输出，以便能够根据需要在损失函数中使用它们。我可以看到子类化是如何实现的，但这会增加复杂性并且不适合调试。在我学习的这个阶段，调试和易用性可能是一个巨大的优势。
有什么方法可以用函数式 API 或顺序模型来做这种类型的模型？
【问题讨论】：
标签： tensorflow machine-learning tensorflow2.0
是的，功能和顺序 keras 模型都支持这一点。您始终可以传递一个dict，其中包含层名称作为键和损失函数作为值。这是一个演示这一点的代码。
如果您想从头开始构建模型，只需将图层添加为模型的输出之一即可。
import tensorflow as tf
img = tf.keras.Input([128, 128, 3], name='image')
conv_1 = tf.keras.layers.Conv2D(16, 3, 1, name='conv_1')(img)
conv_2 = tf.keras.layers.Conv2D(16, 3, 1, name='conv_2')(conv_1)
conv_3 = tf.keras.layers.Conv2D(16, 3, 1, name='conv_3')(conv_2)
conv_4 = tf.keras.layers.Conv2D(16, 3, 1, name='conv_4')(conv_3)
conv_5 = tf.keras.layers.Conv2D(16, 3, 1, name='conv_5')(conv_4)
avg_pool = tf.keras.layers.GlobalAvgPool2D(name='avg_pool')(conv_5)
output = tf.keras.layers.Dense(1, activation='sigmoid')(avg_pool)
model = tf.keras.Model(inputs=[img], outputs=[output, conv_5])
print(model.outputs)
输出：
[<tf.Tensor 'dense/Sigmoid:0' shape=(None, 1) dtype=float32>,
<tf.Tensor 'conv_5/BiasAdd:0' shape=(None, 118, 118, 16) dtype=float32>]
但如果您正在使用已构建的模型，您可以使用 model.get_layer 方法访问层并创建新模型：
intermediate_layer = model.get_layer('avg_pool').output
new_model = tf.keras.Model(inputs=model.inputs, outputs=model.outputs + [intermediate_layer])
print(new_model.outputs)
输出：
[<tf.Tensor 'dense/Sigmoid:0' shape=(None, 1) dtype=float32>,
<tf.Tensor 'conv_5/BiasAdd:0' shape=(None, 118, 118, 16) dtype=float32>,
<tf.Tensor 'avg_pool/Mean:0' shape=(None, 16) dtype=float32>]
然后编译您的模型并为模型的每个输出指定单独的损失。如果这些损失是 Keras 提供的默认损失，则这些损失可以是字符串，也可以是实现损失函数的可调用函数。
new_model.compile(optimizer='sgd',
loss={
'dense': 'binary_crossentropy',
'conv_5': 'mse',
'avg_pool': 'mae'
})
一些虚拟数据和标签
images = tf.random.normal([100, 128, 128, 3])
conv_3_labels = tf.random.normal([100, 118, 118, 16])
avg_pool_labels = tf.random.normal([100, 16])
class_labels = tf.random.uniform([100], 0, 2, tf.float32)
dataset = tf.data.Dataset.from_tensor_slices(
(images, (class_labels, conv_3_labels, avg_pool_labels))
)
dataset = dataset.batch(4, drop_remainder=True)
培训
new_model.fit(dataset)
输出：
25/25 [==============================] - 2s 79ms/step - loss: 2.4339
- dense_loss: 0.3904 - conv_5_loss: 1.2367 - avg_pool_loss: 0.8068
【讨论】：