Keras：InputLayer和Input的区别

Question

我使用带有Tensorflow的Keras制作了模型。我使用Inputlayer以下代码行：

img1 = tf.placeholder(tf.float32, shape=(None, img_width, img_heigh, img_ch))
first_input = InputLayer(input_tensor=img1, input_shape=(img_width, img_heigh, img_ch)) 
first_dense = Conv2D(16, 3, 3, activation='relu', border_mode='same', name='1st_conv1')(first_input)

但是我得到这个错误：

ValueError: Layer 1st_conv1 was called with an input that isn't a symbolic tensor. Received type: <class 'keras.engine.topology.InputLayer'>. Full input: [<keras.engine.topology.InputLayer object at 0x00000000112170F0>]. All inputs to the layer should be tensors.

当我这样使用时Input，它可以正常工作：

first_input = Input(tensor=img1, shape=(224, 224, 3), name='1st_input')
first_dense = Conv2D(16, 3, 3, activation='relu', border_mode='same', name='1st_conv1')(first_input)

Inputlayer和之间有什么区别Input？

Answer 1

根据tensorflow网站的说法，“通常建议通过Input使用功能层API（这会创建一个InputLayer），而不是直接使用InputLayer。” 在此页面了解更多信息

Answer 2

输入：用于创建功能模型

inp=tf.keras.Input(shape=[?,?,?])
x=layers.Conv2D(.....)(inp)

输入层：用于创建顺序模型

x=tf.keras.Sequential()
x.add(tf.keras.layers.InputLayer(shape=[?,?,?]))

另一个区别是

当将InputLayer与Keras Sequential模型一起使用时，可以通过将input_shape参数移动到InputLayer之后的第一层来跳过它。

也就是说，在顺序模型中，您可以跳过输入层并直接在第一层中指定形状。即从此

model = tf.keras.Sequential([
tf.keras.layers.InputLayer(input_shape=(4,)),
tf.keras.layers.Dense(8)])

对此

model = tf.keras.Sequential([
tf.keras.layers.Dense(8, input_shape=(4,))])

Answer 3

• InputLayer 是一层。
• Input 是张量。

您只能调用将张量传递给它们的图层。

这个想法是：

outputTensor = SomeLayer(inputTensor)

因此，只能Input通过，因为它是张量。

老实说，我不知道存在的原因InputLayer。也许应该在内部使用。我从未使用过它，而且似乎永远也不需要它。