Как добавить несколько слоев перед моделью в трансферное обучение с тензорным потоком

Question

Я пытаюсь использовать трансферное обучение в tenorflow. Я знаю парадигму высокого уровня

base_model=MobileNet(weights='imagenet',include_top=False) #imports the 

mobilenet model and discards the last 1000 neuron layer.

x=base_model.output
x=GlobalAveragePooling2D()(x)
x=Dense(1024,activation='relu')(x) #we add dense layers so that the model can learn more complex functions and classify for better results.
x=Dense(1024,activation='relu')(x) #dense layer 2
x=Dense(512,activation='relu')(x) #dense layer 3
preds=Dense(120,activation='softmax')(x) #final layer with softmax activation

а затем один компилирует это

model=Model(inputs=base_model.input,outputs=preds)

Однако я хочу, чтобы до base_model.input было несколько других слоев. Я хочу добавить состязательный шум к изображениям, которые входят, и несколько других вещей. Так эффективно, я хочу знать, как:

base_model=MobileNet(weights='imagenet',include_top=False) #imports the 

mobilenet model and discards the last 1000 neuron layer

x = somerandomelayers(x_in)
base_model.input = x_in
x=base_model.output
x=GlobalAveragePooling2D()(x)
x=Dense(1024,activation='relu')(x) #we add dense layers so that the model can learn more complex functions and classify for better results.
x=Dense(1024,activation='relu')(x) #dense layer 2
x=Dense(512,activation='relu')(x) #dense layer 3
preds=Dense(120,activation='softmax')(x) #final layer with softmax activation
model=Model(inputs=x_in,outputs=preds)

но линия base_model.input = x_in по-видимому, не способ сделать это, как он бросает can't set attribute ошибка. Как мне добиться желаемого поведения?

Answer 1

Вам нужно определить входной слой. Это довольно просто, просто убедитесь, что установили правильные формы. Например, вы можете использовать любую предопределенную модель от Keras.

base_model = keras.applications.any_model(...)
input_layer = keras.layers.Input(shape)
x = keras.layers.Layer(...)(input_layer)
...
x = base_model(x)
...
output = layers.Dense(num_classes, activation)(x)
model = keras.Model(inputs=input_layer, outputs=output)