在Keras/TensorFlow中添加一个变量CNN致密层

问题描述：

我想知道是否有可能将变量添加到卷积神经网络的密集层中（以及来自先前卷积层的连接，还会有一个附加功能设置可用于歧视性目的）？如果这是可能的，任何人都可以给我一个例子/文件解释如何做到这一点？在Keras/TensorFlow中添加一个变量CNN致密层

我希望能够使用Keras，但如果Keras太严格，我很乐意使用TensorFlow。

编辑：在这种情况下，我认为这应该工作的方式是，我提供了一个包含图像和相关功能集到神经网络（以及在训练相关分类期间）的列表。

EDIT2：我需要的架构看起来像：

   ___________  _________  _________  _________  ________ ______ 
       | Conv |  | Max |  | Conv |  | Max | |  | |  | 
    Image --> | Layer 1 | --> | Pool 1 | --> | Layer 2 | --> | Pool 2 | -->|  | |  | 
       |_________|  |________|  |_________|  |________| | Dense | | Out | 
                      | Layer |-->|_____| 
    Other  ------------------------------------------------------------>|  | 
    Data                 |  | 
                      |_______|

您正在尝试构建的架构是什么？我不确定要理解你的问题 –

@NassimBen现在我已经添加了所需的架构！ :) –

答

事实上，正如@Marcin所说，你可以使用合并层。

我建议你为此使用Functionnal API。如果您不熟悉它，请阅读some doc here。

下面是使用keras API您乱画网络模式：

from keras.layers.core import * 
from keras.models import Model 

# this is your image input definition. You have to specify a shape. 
image_input = Input(shape=(32,32,3)) 
# Some more data input with 10 features (eg.) 
other_data_input = Input(shape=(10,))  

# First convolution filled with random parameters for the example 
conv1 = Convolution2D(nb_filter = nb_filter1, nb_row = nb_row1, nb_col=_nb_col1, padding = "same", activation = "tanh")(image_input) 
# MaxPool it 
conv1 = MaxPooling2D(pool_size=(pool_1,pool_2))(conv1) 
# Second Convolution 
conv2 = Convolution2D(nb_filter = nb_filter2, nb_row = nb_row2, nb_col=_nb_col2, padding = "same", activation = "tanh")(conv1) 
# MaxPool it 
conv2 = MaxPooling2D(pool_size=(pool_1,pool_2))(conv2) 
# Flatten the output to enable the merge to happen with the other input 
first_part_output = Flatten()(conv2) 

# Merge the output of the convNet with your added features by concatenation 
merged_model = keras.layers.concatenate([first_part_output, other_data_input]) 

# Predict on the output (say you want a binary classification) 
predictions = Dense(1, activation ='sigmoid')(merged_model) 

# Now create the model 
model = Model(inputs=[image_input, other_data_input], outputs=predictions) 
# see your model 
model.summary() 

# compile it 
model.compile(optimizer='adamax', loss='binary_crossentropy')

你去那里:)这到底是很容易的，定义要多少投入和产出，只需指定它们在列表中当您创建Model对象时。当你适应它时，也将它们单独送入列表中。

非常感谢你;这非常有帮助！ –

使用'.fit'训练这个模型时，损失在所有时代都保持不变？你有什么想法，为什么这可能是？ –

我会编辑，错误来自最后一层的激活。在1个输出上使用sigmoid或在2个输出上使用'softmax'。请参阅编辑:) –

答

好吧，假设你有convoluton_model，你可以以下面的方式做到这一点：

convolution_model = Flatten()(convolution_model) # if it wasn't flattened before 
static_features_input = Input(shape=(static_features_size,)) 
blended_features = merge([convolution_model, static_features_input], mode='concat') 
... here you are defining a blending model with blended features as input

Here你能找到一个关于如何合并不同输入的例子。

在Keras/TensorFlow中添加一个变量CNN致密层

相关推荐