Question

我有一个3D量的输入数据，并希望将ConvNet应用于每个切片。

这个问题有重复。可悲的是没有回答： How to slice a batch and apply an operation on each slice in TensorFlow

在Keras，我会使用TimeDistributed图层。在Tensorflow中，我找不到直接的等价物。相反，我联系我，我必须自己切片数据。

到目前为止，这是我的代码：

x=tf.placeholder(tf.float32, shape=[None, 40, 40, 40, 1])
slices=tf.split(0,40, x)

segmented_slices=[]

for slice in slices:
    # apply a ConvNet to each slice
    reshaped=tf.reshape(slice, (40, 40, 1))         #<-------second error
    # reshaped=tf.reshape(slice, (None, 40, 40, 1)) #<-------third error

    # segmented_slice=conv2d(slice, 3,1,32)         #<-------first error
    segmented_slice=conv2d(reshaped, 3,1,32)
    segmented_slice=conv2d(segmented_slice, 3,32,32)

    #... (more convolutions)

    segmented_slices.append(segmented_slice)

volume=tf.concat(0, segmented_slices)

基本布局为split - ＆gt; ConvNet - ＆gt; concat。但split保留了维度。如果我只是将slice传递给卷积，它会抱怨：

ValueError: Shape (?, 40, 40, 40, 1) must have rank 4

因此我添加了一个重塑。这确实减少了维数。但显然它也削减了batch_size。与第一条错误消息相比，问号和前40条都消失了。

ValueError: Shape (40, 40, 1) must have rank 4

似乎我需要将batch_size保留在重塑中。我试图在元组中添加None。这会产生另一条错误消息：

TypeError: Expected int32, got None of type '_Message' instead.

这是正确的方法吗？我应该自己处理吗？

Answer 1

如果您需要Keras TimeDistributed Layer，请查看它是如何实现的：

input_length = input_shape[1] # assume 2nd dim is the one to slice
# ...
# Shape: (num_samples * timesteps, ...)
inputs = K.reshape(inputs, (-1,) + input_shape[2:])
y = self.layer.call(inputs)  # (num_samples * timesteps, ...)
# Shape: (num_samples, timesteps, ...)
output_shape = self.compute_output_shape(input_shape)
y = K.reshape(y, (-1, input_length) + output_shape[2:])

基本思想是以第一维和第二维（批量和切片维度）折叠成一个方式重新形成张量。换句话说，每个＆＃34;切片＆＃34;可以视为批处理中的附加数据点。然后将任何计算应用于此新虚拟批次，并在最后重新形成原始形状。所有这些操作都可以在Tensorflow中轻松实现。

Tensorflow：切片数据并将卷积应用于每个切片

1 个答案: