一键编码Keras CNN输出不符合预期

Question

我有一个简单的问题要解决，其中有32个与图像（1x2048）大小相同的滤镜。因此，滤波器的权重将与像素一乘一，而不是对像素进行卷积。

每个图像的输出是一个单矢量，例如[1,0,0,0]。当我对两个图像求和并进行预测时，输出将为[1,0,0,0]或[0,0,1,0]。

但是，由于我已将两个图像相加，因此我希望获得[1,0,1,0]作为输出，以了解图像中同时具有这两个类。但是，我不知道该怎么做才能达到我的期望以及问题可能出在哪里。

input_shape=(1,2048,1)
model = Sequential()
model.add(Conv2D(32, kernel_size=(1, 2048), strides=(1, 1),
activation='softmax', 
input_shape=input_shape,
kernel_regularizer=keras.regularizers.l1(L1regularization),
kernel_constraint=keras.constraints.non_neg()            ))

model.compile(loss=keras.losses.categorical_crossentropy,     
optimizer=optimizer,metrics=[metrics])

谢谢。

Answer 1

这是由于softmax的属性-softmax函数可最大化高值。然后，在大多数情况下，softmax函数只有一个最大值。 Softmax：

如果softmax的输入包含两个相等的higest值，则可以为softmax获得两个最大值。在非常罕见的情况下，通过卷积滤波器产生相同的值（对数）是可能的。否则，只有一个最大值，然后预测一个类。

来自github的示例：

在最后一张图像的情况下，softmax产生两个相似的值。但是你不应该一直都这么期待。
如果要检查此假设，请通过Conv2D激活来检查linear层的输出。

model = Sequential()
model.add(Conv2D(32, kernel_size=(1, 2048), strides=(1, 1),
    activation='linear', 
    input_shape=input_shape,
    kernel_regularizer=keras.regularizers.l1(L1regularization),
    kernel_constraint=keras.constraints.non_neg()))
model.add(Activation('softmax'))

是相同的体系结构，但是您get output是Conv2D的成员。