Keras实现将两个模型连接到一起

神经网络玩得越久就越会尝试一些网络结构上的大改动。

先说意图

有两个模型：模型A和模型B。模型A的输出可以连接B的输入。将两个小模型连接成一个大模型，A-B，既可以同时训练又可以分离训练。

流行的算法里经常有这么关系的两个模型，对GAN来说，生成器和判别器就是这样子；对VAE来说，编码器和解码器就是这样子；对目标检测网络来说，backbone和整体也是可以拆分的。所以，应用范围还是挺广的。

实现方法

首先说明，我的实现方法不一定是最佳方法。也是实在没有借鉴到比较好的方法，所以才自己手动写了一个。

第一步，我们有现成的两个模型A和B；我们想把A的输出连到B的输入，组成一个整体C。

第二步， 重构新模型C；我的方法是：读出A和B各有哪些layer，然后一层一层重新搭成C。

可以看一个自编码器的代码(本人所编写)：

class AE:
def __init__(self, dim, img_dim, batch_size):
 self.dim = dim
 self.img_dim = img_dim
 self.batch_size = batch_size
 self.encoder = self.encoder_construct()
 self.decoder = self.decoder_construct()

def encoder_construct(self):
 x_in = Input(shape=(self.img_dim, self.img_dim, 3))
 x = x_in
 x = Conv2D(self.dim // 16, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
 x = BatchNormalization()(x)
 x = LeakyReLU(0.2)(x)
 x = Conv2D(self.dim // 8, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
 x = BatchNormalization()(x)
 x = LeakyReLU(0.2)(x)
 x = Conv2D(self.dim // 4, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
 x = BatchNormalization()(x)
 x = LeakyReLU(0.2)(x)
 x = Conv2D(self.dim // 2, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
 x = BatchNormalization()(x)
 x = LeakyReLU(0.2)(x)
 x = Conv2D(self.dim, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(x)
 x = BatchNormalization()(x)
 x = LeakyReLU(0.2)(x)
 x = GlobalAveragePooling2D()(x)
 encoder = Model(x_in, x)
 return encoder

def decoder_construct(self):
 map_size = K.int_shape(self.encoder.layers[-2].output)[1:-1]
 # print(type(map_size))
 z_in = Input(shape=K.int_shape(self.encoder.output)[1:])
 z = z_in
 z_dim = self.dim
 z = Dense(np.prod(map_size) * z_dim)(z)
 z = Reshape(map_size + (z_dim,))(z)
 z = Conv2DTranspose(z_dim // 2, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
 z = BatchNormalization()(z)
 z = Activation('relu')(z)
 z = Conv2DTranspose(z_dim // 4, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
 z = BatchNormalization()(z)
 z = Activation('relu')(z)
 z = Conv2DTranspose(z_dim // 8, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
 z = BatchNormalization()(z)
 z = Activation('relu')(z)
 z = Conv2DTranspose(z_dim // 16, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
 z = BatchNormalization()(z)
 z = Activation('relu')(z)
 z = Conv2DTranspose(3, kernel_size=(5, 5), strides=(2, 2), padding='SAME')(z)
 z = Activation('tanh')(z)
 decoder = Model(z_in, z)
 return decoder

def build_ae(self):
 input_x = Input(shape=(self.img_dim, self.img_dim, 3))
 x = input_x
 for i in range(1, len(self.encoder.layers)):
  x = self.encoder.layers[i](x)
 for j in range(1, len(self.decoder.layers)):
  x = self.decoder.layers[j](x)
 y = x
 auto_encoder = Model(input_x, y)
 return auto_encoder

模型A就是这里的encoder，模型B就是这里的decoder。所以，连接的精髓在build_ae()函数，直接用for循环读出各层，然后一层一层重新构造新的模型，从而实现连接效果。因为keras也是基于图的框架，这个操作并不会很费时，因为没有实际地计算。

补充知识：keras得到每层的系数

使用keras搭建好一个模型，训练好，怎么得到每层的系数呢：

weights = np.array(model.get_weights())
print(weights)
print(weights[0].shape)
print(weights[1].shape)

这样系数就被存放到一个np中了。

来源：https://blog.csdn.net/leviopku/article/details/83510927