Question

我有大量的n x m x m数组。我想训练一个可学习单个Dense NN的keras模型，以应用于所有n x 1列向量。作为一个具体示例，假设A是6 x 10 x 10张量；因此，它具有100个6 x 1列向量。

我有一个训练密集神经网络的keras模型：

import keras as K
import keras.layers as L

def column_nn():
   layers=[12,36,12,1]

   columns=L.Input(shape=(6,))
   x=L.Dense(layers[0],activation='relu')(columns)
   for l in layers[1:]:
       x=L.Dense(l,activation='relu')(x)
   return K.models.Model(inputs=columns, outputs=x)

我想将其应用于100个列向量中的每一个，但是我想返回一个二维的10 x 10张量，我可以做其他事情，例如传递到Conv2D层。

想到的一种方法是使用重塑和keras共享层。

data=L.Input(shape=(6,10,10))
column_nn=column()
x=L.Permute((2,3,1))(data)
x=L.Reshape((-1,6))(x)
new_layer=column_nn()(x)
x=L.Reshape((10,10))(new_layer)
# now do a bunch of stuff to the 2-D new_layer, such as 
x=L.Conv2d(filters=5,kernel_size=[3,3])(x)
x=L.MaxPooling2D(pool_size=(2,2),strides=(2,2))(x)
x=L.Flatten(x)
output=L.Dense(x)
return K.models.Model(inputs=A,outputs=output)

看起来好吗？我想知道是否有一种轻松的方法来实现这一目标？

Answer 1

如果将输入数据整形并转置到(m*m, n)，则可以将Dense(k)与TimeDistributed结合使用，将相同的权重分别应用于m ^ 2个向量。输出形状为(m*m, k)，之后您可以重新调整形状以适合您的需求

建立一个keras模型，将密集网络应用于3D数组中的每一列并返回2D数组

1 个答案: