我正在尝试使用keras设计一个神经网络。模型的model.summary()输出与定义的层不同

import numpy as npnp.random.seed(1337) from keras.models import Modelfrom keras.layers import Input, Convolution2D, MaxPooling2D, Activation, Flatten, mergefrom keras import backend as KK.set_image_dim_ordering('th')input_shape = (3, 225, 225)inp = Input(input_shape)seq0 = MaxPooling2D(pool_size=(2, 2), strides=(2, 2), border_mode="same")(inp)seq1 = Convolution2D(32, 1, 1, border_mode="same", activation="relu")(seq0)seq2 = Convolution2D(32, 1, 1, border_mode="same", activation="relu")(seq1)seq3 = merge([seq2, seq1], mode="concat", concat_axis=1)seq4 = Convolution2D(32, 1, 1, border_mode="same", activation="relu")(seq3)seq5 = merge([seq1, seq3], mode="concat", concat_axis=1)seq6 = Convolution2D(128, 5, 5, border_mode="same", activation="relu")(seq5)seq7 = merge([seq4, seq3], mode="concat", concat_axis=1)seq8 = Convolution2D(512, 3, 3, border_mode="same", activation="relu")(seq7)seq9 = merge([seq5, seq2], mode="concat", concat_axis=1)seq = Flatten()(seq9)out = Activation('softmax')(seq)model = Model(input=inp, output=out)  model.summary()

model.summary() 输出

Layer (type)                     Output Shape          Param #     Connected to                     ====================================================================================================input_1 (InputLayer)             (None, 3, 225, 225)   0                                            ____________________________________________________________________________________________________maxpooling2d_1 (MaxPooling2D)    (None, 3, 113, 113)   0           input_1[0][0]                    ____________________________________________________________________________________________________convolution2d_1 (Convolution2D)  (None, 32, 113, 113)  128         maxpooling2d_1[0][0]             ____________________________________________________________________________________________________convolution2d_2 (Convolution2D)  (None, 32, 113, 113)  1056        convolution2d_1[0][0]            ____________________________________________________________________________________________________merge_1 (Merge)                  (None, 64, 113, 113)  0           convolution2d_2[0][0]                                                                               convolution2d_1[0][0]            ____________________________________________________________________________________________________merge_2 (Merge)                  (None, 96, 113, 113)  0           convolution2d_1[0][0]                                                                               merge_1[0][0]                    ____________________________________________________________________________________________________merge_4 (Merge)                  (None, 128, 113, 113) 0           merge_2[0][0]                                                                                       convolution2d_2[0][0]            ____________________________________________________________________________________________________flatten_1 (Flatten)              (None, 1634432)       0           merge_4[0][0]                    ____________________________________________________________________________________________________activation_1 (Activation)        (None, 1634432)       0           flatten_1[0][0]                  ====================================================================================================

在model.summary()输出中，seq4、seq6、seq8层缺失。我做错了什么吗？

回答：

你没有使用这些层来计算输出。

以seq4为例：你将它输入到seq7，而seq7又输入到seq8，但seq8并没有连接到任何地方。

你的模型结构树存在问题。

在总结的模型中，他们只考虑了从input=inp到output=out的路径中使用的层，那些未在该路径中使用的层不会成为模型图的一部分。

通过seq4、seq6、seq7和seq8的流程并没有导向模型的输出。

这对你有帮助吗？

编辑：

合并层的工作方式可以参考你代码中的这个例子：

seq3 = merge([seq2, seq1], mode="concat", concat_axis=1)

在这里，你取出seq2和seq1层的输出，它们的shapes = (None,32,113,113)。这是该层的输入，来自seq2和seq1的两个不同的张量。你指定希望沿着轴1连接这些4D张量。因此，该合并层的输出将是shape = (None,64,113,113)。在连接过程中，两个32被加在一起。你可以在model.summary()的”merge_1″行看到我刚刚解释的内容