keras - 在keras model.summary中连接的图层的 "[0][0]"是什么意思？

如下表所示，[0][0]的input_1[0][0]是什么意思？

__________________________________________________
Layer (type)          Output Shape  Param # Connected to
===================================================================
input_1 (InputLayer)  (None, 1)     0
___________________________________________________________________
dropout_1 (Dropout)   (None, 1)     0       input_1[0][0]
___________________________________________________________________
dropout_2 (Dropout)   (None, 1)     0       input_1[0][0]
===================================================================
Total params: 0
Trainable params: 0
Non-trainable params: 0
___________________________________________________________________

最佳答案

这是一个很好的问题，但是要回答这个问题，我们必须深入了解Keras中各层如何相互连接的内部原理。因此，让我们开始:

0)什么是张量？

张量是表示数据的数据结构，它们基本上是n维数组。层之间传递的所有数据和信息都必须是张量。

1)什么是图层？

从最简单的意义上讲，层是一个计算单元，其中它获得一个或多个输入张量，然后在它们上应用一组运算(例如乘法，加法等)，并将结果作为一个或多个输出张量。当您在某些输入张量上应用图层时，在引擎盖下会创建一个节点。

2)那么什么是Node？

为了表示两层之间的连通性，Keras内部使用了 Node 类的对象。将图层应用于某些新输入时，将创建一个节点并将其添加到该图层的_inbound_nodes属性中。此外，当一层的输出被另一层使用时，将创建一个新节点并将其添加到该层的_outbound_nodes属性中。因此，从本质上讲，此数据结构使Keras可以使用Node类型的对象的以下属性来查找各层之间的连接方式:

input_tensors:这是一个包含节点输入张量的列表。

output_tensors:这是一个包含节点输出张量的列表。

inbound_layers:这是一个列表，其中包含input_tensors来自的图层。

outbound_layers:使用者层，即采用input_tensors并将其转换为output_tensors的层。

node_indices:这是一个整数列表，其中包含input_tensors的节点索引(将在以下问题的答案中对此进行更多说明)。

tensor_indices:这是一个整数列表，其中包含其相应入站层内input_tensors的索引(将在以下问题的答案中对此进行详细说明)。

3)很好!现在告诉我模型摘要的“连接到”列中的那些值是什么意思？

为了更好地理解这一点，让我们创建一个简单的模型。首先，让我们创建两个输入层:

inp1 = Input((10,))
inp2 = Input((20,))

接下来，我们创建一个Lambda图层，该图层具有两个输出张量，第一个输出是输入张量除以2，然后第二个输出是输入张量乘以2:

lmb_layer = Lambda(lambda x: [x/2, x*2])

让我们将此lambda层应用于inp1和inp2:

a1, b1 = lmb_layer(inp1)
a2, b2 = lmb_layer(inp2)

完成此操作后，已创建两个节点并将其添加到_inbound_nodes的lmb_layer属性中:

>>> lmb_layer._inbound_nodes
[<keras.engine.base_layer.Node at 0x7efb9a105588>,
 <keras.engine.base_layer.Node at 0x7efb9a105f60>]

第一节点对应于lmb_layer与第一输入层(inp1)的连通性，第二节点对应于该层与第二输入层(inp2)的连通性。此外，这些节点中的每个节点都有两个输出张量(对应于a1，b1和a2，b2):

>>> lmb_layer._inbound_nodes[0].output_tensors
[<tf.Tensor 'lambda_1/truediv:0' shape=(?, 10) dtype=float32>,
 <tf.Tensor 'lambda_1/mul:0' shape=(?, 10) dtype=float32>]

>>> lmb_layer._inbound_nodes[1].output_tensors
[<tf.Tensor 'lambda_1_1/truediv:0' shape=(?, 20) dtype=float32>,
 <tf.Tensor 'lambda_1_1/mul:0' shape=(?, 20) dtype=float32>]

现在，让我们创建并应用四个不同的Dense层，并将其应用于我们获得的四个输出张量:

d1 = Dense(10)(a1)
d2 = Dense(20)(b1)
d3 = Dense(30)(a2)
d4 = Dense(40)(b2)

model = Model(inputs=[inp1, inp2], outputs=[d1, d2, d3, d4])
model.summary()

模型摘要如下所示:

Layer (type)                    Output Shape         Param #     Connected to
==================================================================================================
input_1 (InputLayer)            (None, 10)           0
__________________________________________________________________________________________________
input_2 (InputLayer)            (None, 20)           0
__________________________________________________________________________________________________
lambda_1 (Lambda)               multiple             0           input_1[0][0]
                                                                 input_2[0][0]
__________________________________________________________________________________________________
dense_1 (Dense)                 (None, 10)           110         lambda_1[0][0]
__________________________________________________________________________________________________
dense_2 (Dense)                 (None, 20)           220         lambda_1[0][1]
__________________________________________________________________________________________________
dense_3 (Dense)                 (None, 30)           630         lambda_1[1][0]
__________________________________________________________________________________________________
dense_4 (Dense)                 (None, 40)           840         lambda_1[1][1]
==================================================================================================
Total params: 1,800
Trainable params: 1,800
Non-trainable params: 0
__________________________________________________________________________________________________

在图层的“连接到”列中，值的格式为:layer_name[x][y]。 layer_name对应于该层的输入张量来自的层。例如，所有Dense层都连接到lmb_layer，因此从该层获取其输入。 [x][y]分别对应于输入张量的节点索引(即node_indices)和张量索引(即tensor_indices)。例如:

dense_1层应用在a1上，后者是lmb_layer的第一个(即index:0)入站节点的第一个(即index:0)输出张量，因此连通性显示为:lambda_1[0][0]。

dense_2层应用在b1上，后者是lmb_layer的第一个入站节点(即index:0)的第二个输出张量(即index:1)，因此连通性显示为:lambda_1[0][1]。

dense_3层应用在a2上，后者是lmb_layer的第二个(即索引:1)入站节点的第一个(即index:0)输出张量，因此连通性显示为:lambda_1[1][0]。

dense_4层应用于b2，它是lmb_layer的第一个(即索引:1)入站节点的第二个输出张量(即索引:1)，因此连通性显示为:lambda_1[1][1]。

就是这样!如果您想进一步了解summary方法的工作原理，可以看看 print_summary 函数。如果您想了解连接的打印方式，可以看看 print_layer_summary_with_connections 函数。

关于keras - 在keras model.summary中连接的图层的 "[0][0]"是什么意思？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/53942291/