Блог

Я создаю небольшую сеть, используя некоторые пользовательские сетевые поля для каждого варианта использования, это выглядит следующим образом :

 def top_block(dropout = None, training = None):
    
    # scaled input
    input_1 = tf.keras.Input(shape=(1,15), dtype='float32')
    input_2 = tf.keras.Input(shape=(1,15), dtype='float32')
    
    if dropout:
        layer_one = tf.keras.layers.Dropout(rate = dropout)(input_1,   training = training)
        layer_two = tf.keras.layers.Dropout(rate = dropout)(input_2,   training = training)
        return [layer_one,layer_two]
    return [input_1,input_2]
    

def bottom_layer(input_layers):
    
    data = tf.reduce_mean(input_layers,0)
    cls_layer     = tf.keras.layers.Dense(1,
                                              kernel_initializer = keras.initializers.glorot_uniform(seed=200), 
                                              activation = 'sigmoid')(data)
    
    model         = tf.keras.Model([input_layers[0], input_layers[1]], cls_layer , name = 'model_1')
    model.compile(loss = 'binary_crossentropy', optimizer = 'adam', metrics=['accuracy'])
    model.summary()
    return model
  

Если я пытаюсь получить доступ к этой сети без выпадения, она работает нормально :

 top_          = top_block()
model         = bottom_layer(top_ )
  

Но если я получаю доступ с выпадением, это выдает ошибку:

 top_          = top_block(dropout = 0.2, training = True)
model         = bottom_layer(top_ )
  

Ошибка значения: граф отключен: не удается получить значение для тензора тензора («input_72:0», shape= (None, 1, 15), dtype = float32) на уровне «input_72». Доступ к следующим предыдущим слоям был выполнен без проблем: []

1. Как получить доступ к модели с выпадающим слоем?
2. Как отключить training = False во время оценки? Нужно ли загружать полную модель и веса старой модели?

Спасибо!

Я только что понял, что мой ввод поступает с промежуточного уровня (выпадающий уровень), он должен поступать непосредственно с входного уровня :

 def top_block():
    
    # scaled input
    input_1 = tf.keras.Input(shape=(1,15), dtype='float32')
    input_2 = tf.keras.Input(shape=(1,15), dtype='float32')
    
    return [input_1, input_2]
    
def apply_dropout(layers_data, dropout_val, training):
    
    layer_one = tf.keras.layers.Dropout(rate = dropout_val)(layers_data[0],   training = training)
    layer_two = tf.keras.layers.Dropout(rate = dropout_val)(layers_data[1],   training = training)
    return [layer_one, layer_two]

def bottom_layer(input_layers, data):
    
    data = tf.reduce_mean(data, 0)
    cls_layer     = tf.keras.layers.Dense(1,
                                              kernel_initializer = keras.initializers.glorot_uniform(seed=200), 
                                              activation = 'sigmoid')(data)
    
    model         = tf.keras.Model(input_layers, cls_layer , name = 'model_1')
    model.compile(loss = 'binary_crossentropy', optimizer = 'adam', metrics=['accuracy'])
    model.summary()
    return model
  

Теперь это работает

 top_          = top_block()
dropout_      = apply_dropout(top_, 0.2, True)
model         = bottom_layer(top_ , dropout_)