Question

我有一个简单的自动编码器DNN，它具有4个卷积层和4个解卷积层。

import tensorflow.contrib.layers as lays

conv1 = lays.conv2d(inputs, 64, [5, 5], stride=2, padding='SAME')
conv2 = lays.conv2d(conv1, 32, [5, 5], stride=2, padding='SAME')
conv3 = lays.conv2d(conv2, 16, [5, 5], stride=4, padding='SAME')
conv4 = lays.conv2d(conv3, 100, [5, 5], stride=4, padding='SAME')  #shape (None,1,1,100)

dconv1 = lays.conv2d_transpose(conv4, 16, [5, 5], stride=4, padding='SAME')
dconv2 = lays.conv2d_transpose(dconv1, 32, [5, 5], stride=4, padding='SAME')
dconv3 = lays.conv2d_transpose(dconv2, 64, [5, 5], stride=2, padding='SAME')
dconv4 = lays.conv2d_transpose(dconv3, 1, [5, 5], stride=2, padding='SAME', activation_fn=tf.nn.tanh) #shape (64,64,1)

这里的输入是（64,64）灰度图像，自动编码器在输出层（dconv4）重建相同的输入图像。

请注意，此自动编码器的目的不是进行分割，而是将（64x64）图像表示为（1,1,100）形状的唯一张量，且损失最小。

如您所见，conv4张量的形状是（None，1,1,100），这正是我想要的。

经过训练后，此自动编码器可以很好地处理测试图像。

但是，我感兴趣的是将经过训练的DNN分为卷积和反卷积部分，采用反卷积部分，将自己的（None，1,1,100）张量输入到dconv1层，并观察dconv4的输出。

如何将自己的输入馈送到神经网络（conv4）中间的张量？

Answer 1

您可以考虑更换

dconv1 = lays.conv2d_transpose(conv4, 16, [5, 5], stride=4, padding='SAME')

带有这样的placeholder_with_default：

latent_ph = tf.placeholder_with_default(conv4, [None, 1, 1, 100], name="latent_ph")
dconv1 = lays.conv2d_transpose(latent_ph, 16, [5, 5], stride=4, padding='SAME')

这样，您将自动使用conv4，但是如果需要，可以通过将feed dict传递给session.run调用来将其转换为其他输入：

with tf.Session() as sess:
    my_latent = np.random.random((10, 1, 1, 100))
    result = sess.run(dconv4, feed_dict={latent_ph: my_latent})

如果不想重新训练，则必须从检查点加载权重，并使用占位符将其分配给新图形。 here

完成了类似的操作

将训练有素的神经网络分成两部分，并使用后一部分

1 个答案: