Question

我有一个Conv2D图层，产生一个形状张量(batch_size, 600, 105, 8)。这是一组歌曲谱图，其feature_map为8.现在我想在每个时间帧（600）上应用大小为48的“密集”层，以产生形状(batch_size, 600, 48)的张量。默认的Keras Dense图层似乎没有削减它......

有什么建议吗？

这是我的功能

def build_cnn(input_shape=(None, None, 1),
          feature_map_size=8,
          num_layers=5,
          kernerl_size=(5, 5),
          dropout=0.2,
          pool_size=(2, 2),
          epochs=100,
          lr=0.001,
          momentum=0.9,
          verbose=False):

    model = Sequential()

    # Add the convolutional layers
    for _ in range(num_layers):     
        # Conv layer
        model.add(Conv2D(
            feature_map_size,
            kernerl_size,
            input_shape=input_shape,
            padding='same',
            activation='elu')
        )
        # Dropout layer
        # model.add(Dropout(dropout))

    # Dense layer
    model.add(TimeDistributed(Dense(48, activation='elu')))

Answer 1

最基本且最不敏感的方法是重塑数据：

#after the convolutions:

model.add(Reshape((600,105*8)))
model.add(Dense(48,...))

但这可能不是最好的选择。不幸的是，我不太了解那些光谱，所以建议其他方法。但是这个基本上抛出了Dense层中的所有箱子和特征，它们将混合在一起。

如果使用-1进行重塑失败

使用后端函数可以在lambda图层内处理未知形状。但这仅适用于tensorflow作为后端。 Theano不喜欢这个主意。因此，我放弃了theano。

#valid in tensorflow only
import keras.backend as K

def reshape(x):
    shp = K.shape(x)
    shp = K.concatenate([shp[:2],shp[2:3]*shp[3:]])
    return K.reshape(x,shp)

model.add(Lambda(reshape))

如何将TimeDistributed密集层应用于形状的张量（batch_size，600,105,8）以生成输出（batch_size，600,48）

1 个答案: