使用keras实现孪生网络中的权值共享教程

首先声明，这里的权值共享指的不是cnn原理中的共享权值，而是如何在构建类似于siamese network这样的多分支网络，且分支结构相同时，如何使用keras使分支的权重共享。

functional api

为达到上述的目的，建议使用keras中的functional api，当然sequential 类型的模型也可以使用，本篇博客将主要以functional api为例讲述。

keras的多分支权值共享功能实现，

上面是官方的链接，本篇博客也是基于上述官方文档，实现的此功能。(插一句，keras虽然有中文文档，但中文文档已停更，且中文文档某些函数介绍不全，建议直接看英文官方文档)

不共享参数的模型

以matchnet网络结构为例子，为方便显示，将卷积模块个数减为2个。首先是展示不共享参数的模型，以便观看完整的网络结构。

整体的网络结构如下所示：

代码包含两部分，第一部分定义了两个函数，featurenetwork()生成特征提取网络，classifilernet()生成决策网络或称度量网络。网络结构的可视化在博客末尾。在classifilernet()函数中，可以看到调用了两次featurenetwork()函数，keras.models.model也被使用的两次，因此生成的input1和input2是两个完全独立的模型分支，参数是不共享的。

from keras.models import sequential
from keras.layers import merge, conv2d, maxpool2d, activation, dense, concatenate, flatten
from keras.layers import input
from keras.models import model
from keras.utils import np_utils
import tensorflow as tf
import keras
from keras.datasets import mnist
import numpy as np
from keras.utils import np_utils
from keras.callbacks import earlystopping, modelcheckpoint, tensorboard, reducelronplateau
from keras.utils.vis_utils import plot_model

# ---------------------函数功能区-------------------------
def featurenetwork():
  """生成特征提取网络"""
  """这是根据，mnist数据调整的网络结构，下面注释掉的部分是，原始的matchnet网络中feature network结构"""
  inp = input(shape = (28, 28, 1), name='featurenet_imageinput')
  models = conv2d(filters=24, kernel_size=(3, 3), strides=1, padding='same')(inp)
  models = activation('relu')(models)
  models = maxpool2d(pool_size=(3, 3))(models)

  models = conv2d(filters=64, kernel_size=(3, 3), strides=1, padding='same')(models)
  # models = maxpool2d(pool_size=(3, 3), strides=(2, 2))(models)
  models = activation('relu')(models)

  models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
  models = activation('relu')(models)

  models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
  models = activation('relu')(models)
  models = flatten()(models)
  models = dense(512)(models)
  models = activation('relu')(models)
  model = model(inputs=inp, outputs=models)
  return model

def classifilernet(): # add classifier net
  """生成度量网络和决策网络，其实maychnet是两个网络结构，一个是特征提取层(孪生)，一个度量层+匹配层(统称为决策层)"""
  input1 = featurenetwork()           # 孪生网络中的一个特征提取
  input2 = featurenetwork()           # 孪生网络中的另一个特征提取
  for layer in input2.layers:          # 这个for循环一定要加，否则网络重名会出错。
    layer.name = layer.name + str("_2")
  inp1 = input1.input
  inp2 = input2.input
  merge_layers = concatenate([input1.output, input2.output])    # 进行融合，使用的是默认的sum，即简单的相加
  fc1 = dense(1024, activation='relu')(merge_layers)
  fc2 = dense(1024, activation='relu')(fc1)
  fc3 = dense(2, activation='softmax')(fc2)

  class_models = model(inputs=[inp1, inp2], outputs=[fc3])
  return class_models

# ---------------------主调区-------------------------
matchnet = classifilernet()
matchnet.summary() # 打印网络结构
plot_model(matchnet, to_file='g:/csdn攻略/picture/model.png') # 网络结构输出成png图片

共享参数的模型

featurenetwork()的功能和上面的功能相同，为方便选择，在classifilernet()函数中加入了判断是否使用共享参数模型功能，令reuse=true，便使用的是共享参数的模型。

关键地方就在，只使用的一次model，也就是说只创建了一次模型，虽然输入了两个输入，但其实使用的是同一个模型，因此权重共享的。

from keras.models import sequential
from keras.layers import merge, conv2d, maxpool2d, activation, dense, concatenate, flatten
from keras.layers import input
from keras.models import model
from keras.utils import np_utils
import tensorflow as tf
import keras
from keras.datasets import mnist
import numpy as np
from keras.utils import np_utils
from keras.callbacks import earlystopping, modelcheckpoint, tensorboard, reducelronplateau
from keras.utils.vis_utils import plot_model

# ----------------函数功能区-----------------------
def featurenetwork():
  """生成特征提取网络"""
  """这是根据，mnist数据调整的网络结构，下面注释掉的部分是，原始的matchnet网络中feature network结构"""
  inp = input(shape = (28, 28, 1), name='featurenet_imageinput')
  models = conv2d(filters=24, kernel_size=(3, 3), strides=1, padding='same')(inp)
  models = activation('relu')(models)
  models = maxpool2d(pool_size=(3, 3))(models)

  models = conv2d(filters=64, kernel_size=(3, 3), strides=1, padding='same')(models)
  # models = maxpool2d(pool_size=(3, 3), strides=(2, 2))(models)
  models = activation('relu')(models)

  models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
  models = activation('relu')(models)

  models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
  models = activation('relu')(models)

  # models = conv2d(64, kernel_size=(3, 3), strides=2, padding='valid')(models)
  # models = activation('relu')(models)
  # models = maxpool2d(pool_size=(3, 3), strides=(2, 2))(models)
  models = flatten()(models)
  models = dense(512)(models)
  models = activation('relu')(models)
  model = model(inputs=inp, outputs=models)
  return model

def classifilernet(reuse=false): # add classifier net
  """生成度量网络和决策网络，其实maychnet是两个网络结构，一个是特征提取层(孪生)，一个度量层+匹配层(统称为决策层)"""

  if reuse:
    inp = input(shape=(28, 28, 1), name='featurenet_imageinput')
    models = conv2d(filters=24, kernel_size=(3, 3), strides=1, padding='same')(inp)
    models = activation('relu')(models)
    models = maxpool2d(pool_size=(3, 3))(models)

    models = conv2d(filters=64, kernel_size=(3, 3), strides=1, padding='same')(models)
    # models = maxpool2d(pool_size=(3, 3), strides=(2, 2))(models)
    models = activation('relu')(models)

    models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
    models = activation('relu')(models)

    models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
    models = activation('relu')(models)

    # models = conv2d(64, kernel_size=(3, 3), strides=2, padding='valid')(models)
    # models = activation('relu')(models)
    # models = maxpool2d(pool_size=(3, 3), strides=(2, 2))(models)
    models = flatten()(models)
    models = dense(512)(models)
    models = activation('relu')(models)
    model = model(inputs=inp, outputs=models)

    inp1 = input(shape=(28, 28, 1)) # 创建输入
    inp2 = input(shape=(28, 28, 1)) # 创建输入2
    model_1 = model(inp1) # 孪生网络中的一个特征提取分支
    model_2 = model(inp2) # 孪生网络中的另一个特征提取分支
    merge_layers = concatenate([model_1, model_2]) # 进行融合，使用的是默认的sum，即简单的相加

  else:
    input1 = featurenetwork()           # 孪生网络中的一个特征提取
    input2 = featurenetwork()           # 孪生网络中的另一个特征提取
    for layer in input2.layers:          # 这个for循环一定要加，否则网络重名会出错。
      layer.name = layer.name + str("_2")
    inp1 = input1.input
    inp2 = input2.input
    merge_layers = concatenate([input1.output, input2.output])    # 进行融合，使用的是默认的sum，即简单的相加
  fc1 = dense(1024, activation='relu')(merge_layers)
  fc2 = dense(1024, activation='relu')(fc1)
  fc3 = dense(2, activation='softmax')(fc2)

  class_models = model(inputs=[inp1, inp2], outputs=[fc3])
  return class_models

如何看是否真的是权值共享呢？直接对比特征提取部分的网络参数个数！

不共享参数模型的参数数量：

共享参数模型的参数总量

共享参数模型中的特征提取部分的参数量为：

由于截图限制，不共享参数模型的特征提取网络参数数量不再展示。其实经过计算，特征提取网络部分的参数数量，不共享参数模型是共享参数的两倍。两个网络总参数量的差值就是，共享模型中，特征提取部分的参数的量

网络结构可视化

不共享权重的网络结构

共享参数的网络结构，其中model_1代表的就是特征提取部分。

以上这篇使用keras实现孪生网络中的权值共享教程就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。