keras - input_tensors在tf.keras.models.clone_model中的作用

Question

我正在尝试复制现有的 keras 模型。以下是我创建的示例代码，它似乎按预期工作。

model = CreateSimpleModel()
model.compile(loss="sparse_categorical_crossentropy",
                 optimizer="adam",
                 metrics=["accuracy"])

model.summary()


model_cloned = tf.keras.models.clone_model(model)
model_cloned.set_weights(model.get_weights())

print(model(np.array([[1, 2]])))
print(model_cloned(np.array([[1, 2]])))

但是，如果我们查看有关 tf.keras.models.clone_model 的官方文档在接下来的页面中，有一个名为 input_tensors 的参数.

https://www.tensorflow.org/api_docs/python/tf/keras/models/clone_model

这个参数的作用我不是很确定。从上面的示例代码中，我不太明白为什么在某些情况下需要它。有人可以用一些例子来解释吗？

Answer 1

编辑:请不要做我在下面所做的事情。使用 GradCAM 查看第一个卷积层中使用的权重后，似乎 input_tensors 参数没有任何影响，尽管输入发生了变化，但 base_model 的所有克隆都具有相同的权重。
就我而言，我使用 tf.keras.models.clone_model 来克隆基本的预训练神经网络，以便我的所有多个输入都有自己的路径:

# inputs:
x1 = tf.keras.layers.Input(shape=(None, None, 3), name="x1")
x2 = tf.keras.layers.Input(shape=(None, None, 3), name="x2")
x3 = tf.keras.layers.Input(shape=(None, None, 3), name="x3")

# load base model:
base_model = tf.keras.applications.DenseNet169(input_tensor=x1, input_shape=(224, 224, 3), include_top=False, pooling='avg')

# create copies:
base_model2 = tf.keras.models.clone_model(base_model, input_tensors=x2)
base_model3 = tf.keras.models.clone_model(base_model, input_tensors=x3)

# you have to rename the layers in each model so there aren't any conflicts:
cnt = 0
for mod in [base_model1, base_model2, base_model3, base_model4, base_model5, base_model6]:
    cnt += 1
    for layer in mod.layers:
        old_name = layer.name
        layer._name = f"base_model{cnt}_{old_name}"

# this bit isn't necessary unless you want to access weights easily later on:
base1_out = base_model.output
base2_out = base_model2.output
base3_out = base_model3.output

# concatenate the outputs:
concatenated = tf.keras.layers.concatenate([base1_out, base2_out, base3_out], axis=-1)

# add dense layers if you want:
concat_dense = tf.keras.layers.Dense(2048)(concatenated)
out = tf.keras.layers.Dense(class_count, activation='softmax')(concat_dense)

tf.keras.models.Model(inputs=[x1, x2, x3], outputs=[out])

请注意，我的输入(以字典的形式)来自使用 TensorFlow 的 tf.data.Dataset 创建的符号张量。