Question

我最近开始学习深度学习和CNN。我遇到了以下代码，它定义了一个简单的CNN。

任何人都可以帮助我理解这些线是如何工作的：

loss = layer_output[:, :, :, 0] - 这是什么结果？我的问题是，网络还没有接受过培训。权重[Kernels]尚未计算。那么，它将返回什么样的数据！ 0代表第一个内核吗？
iterate = K.function([input_img], [loss, grads]) - Keras网站上没有太多文档可用。我理解的是iterate是一个函数，它接受输入张量并返回张量列表，第一个是loss，第二个是grads。但是，它们在其他地方定义!!

使用以下尺寸定义输入图像：

img_data = np.random.uniform(size=(1, 250, 250, 3))

有一个简单的CNN，它有一个卷积层。它使用两个3 X 3内核。

input = Input(shape=250, 250, 3,), name='input_1')

First_Conv2D = Conv2D(2, kernel_size=(3, 3), padding="same", name='conv2d_1', activation='relu')(input)
flat = Flatten(name='flatten_1')(First_Conv2D)
output = Dense(2, name='dense_1', activation='softmax')(flat)

model = Model(inputs=[input], outputs=[output])

layer_dict = dict([(layer.name, layer) for layer in model.layers[0:]])
layer_output = layer_dict['conv2d_1'].output

input_img = model.input

# Calculate loss and gradient.
loss = layer_output[:, :, :, 0]
grads = K.gradients(loss, input_img)[0]

# Define a Keras function
iterate = K.function([input_img], [loss, grads])

# Call iterate function 
loss_value, grads_value = iterate([img_data])

谢谢。

Answer 1

这看起来像是一个令人讨厌的解剖Keras作为API。我认为它会导致更多的混乱，而不是深度学习的介绍。无论如何，解决你的问题：

所有张量都是符号，这意味着在我们运行会话之前，它们不包含任何值。他们改为定义有向计算图。 loss = layer_output[:,:,:,0]是一个切片操作，它使最后一个维度的第一个元素返回另一个具有3个维度的张量。当您使用实际输入运行会话时，张量将具有这些操作运行的值。这些操作几乎与NumPy ndarray完全相同，它们不是符号并且包含值，你可以获得直觉。
K.function只是将输入粘合到输出上，返回单个操作，当给定输入时，它将遵循从输入到定义输出的计算图。在这种情况下，给定单个输入列表，它返回2个输出张量损失和梯度的列表。这些仍然是象征性的记忆，如果你试图打印一个，你就会得到它的形状和数据类型。

定义Keras功能

1 个答案: