来自tf.keras中已加载模型的Mote-Carlo辍学

问题描述

我正在使用tf.keras（不是Keras本身，而是keras的tensorflow实现）。 我想像在Monte-Carlo Dropout Tutorial中那样在预测过程中使用dropout，但是要使用已加载的神经网络，即已经训练好了，例如，假设一个在imagenet上预先训练的tf.keras模型，如下所示示例（仅修改了我的二进制分类任务的最后一层）：

import tensorflow as tf
from tensorflow import keras

model  = tf.keras.applications.DenseNet121(input_shape=(266,266,3),weights="imagenet",include_top=False,pooling="max")

final_layer = keras.layers.Dense( 1,activation=keras.activations.sigmoid )( model.output )

final_model = keras.Model( inputs=[model.input],outputs=[final_layer] )

然后，使用final_model和相同的图像，我总是得到相同的精确预测（这是正常的）。如何将所有辍学层设置为“训练模式”，从而在每次进行预测时都有不同的预测？

我尝试了类似的操作（来自this github issue），但由于它会引发错误，因此无法正常工作。

import tensorflow.keras.backend as K

f = K.function( [final_model.layers[0].input,K.learning_phase()],[final_model.layers[-1].output] )

然后在这种情况下如何执行蒙特卡洛辍学？非常感谢。

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）