Question

Fully Convolutional Neural Nets的强度是它们自然接受任何大小的输入，并且能够产生任何大小的输出。这对像素预测和分割任务非常有用。

但培训批次会发生什么？要构建一个小批量，您必须提前知道输入的大小。您打算如何构建各种大小的输入？

目前，我只能弄清楚如何拥有batch size = 1。在我的实验中，它跳得太多，无法收敛。

我考虑过使用某种零填充来使所有输入都达到训练集中最大的大小，但是我需要创建一个人工“填充”目标类别，因为每个像素都需要映射到的东西。不太理想。此外，它偏向于我的模型评估，因为网络非常擅长对“填充”空间进行分类（这不是有意义的数据）。

我能想到的最好的想法是将训练图像分组为类似大小的批次，这样他们就不会有“太多”填充。也许？

是否可以通过屏蔽来完成此任务？我知道卷积网不支持keras.layers.core.Masking ......

这是我的Keras模型：

def build_net():
    # apply a convolution 1d of length 7 to a sequence with NUM_FEATURES channels
    # with 32 output feature maps
    model = Sequential()
    model.add(Convolution1D(32, 7, border_mode='same', input_shape=(None, NUM_FEATURES)))

    # apply a 1x1x3 convolution to collapse down to NUM_CATEGORIES feature maps
    model.add(Convolution1D(NUM_CATEGORIES, 1, border_mode='same'))

    # pass through softmax classifier
    model.add(Activation('softmax'))

    model.compile(loss='categorical_crossentropy', optimizer=Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08), metrics=['accuracy'])

    return model

批量不同大小的输入（带完全卷积网）

0 个答案: