我有一个api函数模型,可以很好地将numpy数组作为输入。我的模型的简化版本如下。在
inputLayerU = Input(shape=(10,))
denseLayerU = Dense(10, activation='relu')(inputLayerU)
inputLayerM = Input(shape=(10,))
denseLayerM = Dense(10, activation='relu')(inputLayerM)
concatLayerUM = concatenate([denseLayerU, denseLayerM], axis = 1)
outputLayer = Dense(1,activation='linear')(concatLayerUM)
model = Model(inputs=[inputLayerUM, inputLayerMU], outputs=outputLayer)
model.fit_generator(dataGenerator(train, matA, matB, matC, batchSize,1),
epochs=3,
steps_per_epoch=10)
我使用了一个非常大的数据集,它不适合我的内存,所以我使用了一个生成器,如下所示:
^{pr2}$如您所见,我在dataGenerator
函数中使用了两个2D数组的dot
乘积。我在GPU上运行我的代码,为了使它更快,我想用matmaul
来代替点积,它以张量格式提供相同的结果。所以会是这样的:
matU = tf.matmul(U,matB)
matM = tf.matmul(M,matB)
但是,它提供了以下错误:
InvalidArgumentError: Requested tensor connection from unknown node: "input_4:0".
input_4:0
是模型中的第一个inputLayerU
节点。看来我不能把张量传递给InputLayer。那我该怎么通过呢?在
另外,在将张量matU和matM传递给输入层之前,我尝试将它们转换为numpy数组
matU = tf.Session().run(tf.matmul(U,matB))
matM = tf.Session().run(tf.matmul(M,matB))
但它比一开始使用点积要慢10倍。在
我检查了this post,但是,它是针对顺序模型的,在开始训练模型之前,我没有张量。在
您可以将U和M作为输入传递,然后在模型中应用Lambda:
假设^{cd1>}是模型中的常数。
使用功能API:
^{pr2}$假设模型的输入是matmul运算之前的M,U向量,并且变换是一个常数矩阵。
相关问题 更多 >
编程相关推荐