python - 如何在丢失之前运行两次keras模型？

Question

我想计算一个损失函数，它在不同的输入上两次使用网络的输出。例如假设，

first_output = model(first_input)
second_output = model(second_input)
loss = mean_absolute_error(first_output, second_output)

如何在 tensorflow 或 keras 中实现这一点？

更新:谢谢大家的回复。我想重新实现 this paper在 keras 或 tensorflow 中。正如其中所解释的那样，GAN 中作为鉴别器的“批评家”网络有两个输入并一个一个地运行它们并根据输出和计算梯度计算损失函数。主要问题是如何在 tensorflow 或 keras 中实现？

Answer 1

您可以尝试使用 keras.layers.merge .我以前用它来制作连体网络，例如:

first_output = model(first_input)
second_output = model(second_input)
mae = lambda x: mean_absolute_error(x[0], x[1])
distance = merge(inputs=[first_output, second_output],
                 mode=mae,
                 output_shape=lambda x: x[0],
                 name='mean_absolute_error')

对于 Siamese 网络示例，您通常会使用类似以下内容对此距离度量做出一些预测:

prediction = Dense(2, activation='softmax', name='prediction')(distance)
model = Model([first_input, second_input], prediction, name='siamese_net')
model.compile(optimizer=Adam(),
              loss=some_loss_function)

使用 keras.models.Model和 keras.layers.Dense对于那个例子。

请注意，keras.layers.merge(我相信)在最新版本的 Keras 中已弃用，这真是令人遗憾。我认为要对最现代的 Keras 做一些类似的事情，你需要使用 keras.layers.Concatenate结合两个结果，然后是 keras.layers.Lambda应用函数。