重用一组Keras图层

Question

我知道您可以重用Keras图层。例如，我为解码器网络声明了两层：

decoder_layer_1 = Dense(intermediate_dim,activation='relu',name='decoder_layer_1')
decoder_layer_2 = Dense(intermediate_dim,activation='relu',name='decoder_layer_2')

在第一个模型中使用：

decoded = decoder_layer_1(z)
decoded = decoder_layer_2(decoded)

在第二个模型中使用：

_decoded = decoder_layer_1(decoder_input)
_decoded = decoder_layer_2(_decoded)

如果我只需要重用几个层，则上述方法是可以的，如果我想重用大量的层（例如，具有10个层的解码器网络），则比较麻烦。除了显式声明每一层之外，还有其他更有效的方法吗？是否有实现它的方法，如下所示：

decoder_layers = group_of_layers() 

在第一个模型中重复使用：

decoded = group_of_layers(z)

在第二个模型中重复使用：

_decoded = group_of_layers(decoder_input)

Answer 1

我也在这个问题上挣扎。对我有用的是将共享部件包装在模型中，并使用其自己的输入定义：

def group_of_layers(intermediate_dim):
    shared_model_input = keras.layers.Input(shape=...)
    shared_internal_layer = keras.layers.Dense(intermediate_dim, activation='relu', name='shared_internal_layer')(shared_model_input)
    shared_model_output = keras.layers.Dense(intermediate_dim, activation='relu', name='shared_model_output')(shared_internal_layer)
    return keras.models.Model(shared_model_input, shared_model_output)

在 Functional API 中，只要模型的输入层与您应用到它的层的形状相匹配，您就可以以与单个层相同的方式使用共享模型：

group = group_of_layers(intermediate_dim)
result1 = group(previous_layer)
result2 = group(different_previous_layer)

届时将共享权重。

这在文档中有很好的描述，请参阅共享视觉模型。