在tenorflow代码中使用keras层

Question

假设我有一个简单的神经网络，其中包含一个输入层和一个用张量流编程的单个卷积层：

  # Input Layer
  input_layer = tf.reshape(features["x"], [-1, 28, 28, 1])

  # Convolutional Layer #1
  conv1 = tf.layers.conv2d(
      inputs=input_layer,
      filters=32,
      kernel_size=[5, 5],
      padding="same",
      activation=tf.nn.relu)

我省略了功能的网络定义的任何其他部分。

如果我想在这个卷积层之后添加一个LSTM层，我必须使卷积层为时间分布（在keras语言中），然后将时间分布层的输出放入LSTM。

Tensorflow提供了进入tf中keras层的通道。凯拉斯。图层。我可以在tensorflow代码中直接使用keras层吗？如果是，如何？我也可以用tf吗。凯拉斯。图层。lstm用于实现lstm层？

所以一般来说：是纯tensorflow代码和keras代码的混合，我可以使用tf吗。凯拉斯。图层？

Answer 1

是的，这是可能的。

导入TensorFlow和Keras并将您的Keras会话链接到TF会话：

import tensorflow as tf
import keras
from keras import backend as K

tf_sess = tf.Session()
K.set_session(tf_sess)

现在，在模型定义中，可以混合TF和Keras层，如下所示：

# Input Layer
input_layer = tf.reshape(features["x"], [-1, 28, 28, 1])

# Convolutional Layer #1
conv1 = tf.layers.conv2d(
    inputs=input_layer,
    filters=32,
    kernel_size=[5, 5],
    padding="same",
    activation=tf.nn.relu)

# Flatten conv output
flat = tf.contrib.layers.flatten(conv1)

# Fully-connected Keras layer
layer2_dense = keras.layers.Dense(128, activation='relu')(flat)

# Fully-connected TF layer (output)
output_preds = tf.layers.dense(layer2_dense, units=10)

这个答案来自弗朗索瓦·乔利特（FrancoisChollet）的一篇Keras博客文章。