WedX - журнал о программировании и компьютерных науках

Как добавить скалярное значение в скрытые переменные в автокодировщике с помощью keras

Я пытался ввести конкретное скалярное значение (от 0 до 1; каждое изображение имеет) в слой скрытых переменных. Как вставить значение в последовательную модель автокодировщика на основе CNN?

def encoder():
    model = tf.keras.Sequential()
    model.add(Conv2D(12, (2,2), activation='relu', padding='same', input_shape=(32, 32, 1)))
    model.add(MaxPooling2D(pool_size=(2, 2), padding='same'))
    model.add(Flatten())
    model.add(Dense(64))
    return model

# maybe some code here

def decoder():
    model = tf.keras.Sequential()
    model.add(Dense(16*16*12, input_shape=(65,)))
    model.add(Reshape((16,16,12)))
    model.add(Conv2D(32, (2, 2), activation='relu', padding='same'))
    model.add(UpSampling2D((2, 2)))
    model.add(Dropout(0.5))
    model.add(Conv2D(1, (2, 2), padding='same'))
    return model

Количество скрытых переменных в кодировщике равно 64, следовательно, скалярная переменная должна составлять 65 скрытых переменных в декодере. Слой конкатенации можно применить?

python keras tensorflow autoencoder
19.01.2021

Ответы:


1

Для этого вы можете использовать конкатенированный слой. Например:

x1 = tf.keras.layers.Dense(8)(np.arange(10).reshape(5, 2))
x2 = tf.keras.layers.Dense(8)(np.arange(10, 20).reshape(5, 2))
concatted = tf.keras.layers.Concatenate()([x1, x2])

Но вам придется выбрать правильный shape для той константы, которую вы пытаетесь добавить.

В вашем случае вы можете использовать:

...
  outputs = tf.keras.layers.Concatenate()([model, your_constant])
  model = tf.keras.Model(inputs=model.inputs, outputs=outputs)
  return model
...

Это решение работает для вас?

19.01.2021
  • Спасибо, сейчас попробую. 20.01.2021
  • Объединение работает хорошо 20.01.2021
    • Новые материалы
    Объяснение документов 02: BERT
    BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
    Как проанализировать работу вашего классификатора?
    Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
    Работа с цепями Маркова, часть 4 (Машинное обучение)
    Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
    Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
    Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
    Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
    Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
    Учебные заметки: создание моего первого пакета Node.js
    Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..
    Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
    Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
    Для любых предложений по сайту: [email protected]