先前推文写太简短 底下写我认为可能的解法 简单来说: Step 1. 独立定义decoder的每个layer Step 2. 让auto encoder跟decoder共用Step 1.的decoder layer 这样做可以共享auto encoder训练好的权重给decoder ※ 引述《nqj (黑猫)》之铭言： : input_img = Input(shape=(784,)) : code = Input(shape=(2,)) 这行改成 code_input = Input(shape=(encoding_dim,)) 改的原因是因为要跟後面的code区隔开来 (原文读下来2应该就是encoding_dim，如果不是再改回2) : # encode layers : encoded = Dense(128, activation='relu')(input_img) : encoded = Dense(16, activation='relu')(encoded) : encoded = Dense(10, activation='relu')(encoded) : code = Dense(encoding_dim)(encoded) : # decode layers Step 1. 独立定义decoder的每个layer decoder_layer_1 = Dense(10, activation='relu') decoder_layer_2 = Dense(16, activation='relu') decoder_layer_3 = Dense(128, activation='relu') decoder_layer_4 = Dense(784, activation='tanh') Step 2. 让auto encoder跟decoder共用Step 1.的decoder layer # 定义 auto encoder decoded = decoder_layer_1(code) decoded = decoder_layer_2(decoded) decoded = decoder_layer_3(decoded) decoded = decoder_layer_4(decoded) : autoencoder = Model(inputs=input_img, outputs=decoded) : encoder = Model(inputs=input_img, outputs=code) # 定义 decoder x = decoder_layer_1(code_input) x = decoder_layer_2(x) x = decoder_layer_3(x) x = decoder_layer_4(x) decoder = Model(inputs=code_input, outputs=x) 定义完毕，先训练好autoencoder之後 decoder也跟着完成了 如果有误再请各位指正 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 111.240.13.94 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1544278100.A.8D2.html