Question

根据Nvidia的神经网络架构：

self.model = Sequential()                                      #135, 135, 3
self.model.add(BatchNormalization(epsilon=0.001, input_shape=(135, 135, 3)))
self.model.add(Conv2D(24, 5, 5, border_mode='valid', activation='relu', subsample=(2, 2)))
self.model.add(Dropout(0.5))
self.model.add(Conv2D(36, 5, 5, border_mode='valid', activation='relu', subsample=(2, 2)))
self.model.add(Dropout(0.5))
self.model.add(Conv2D(48, 5, 5, border_mode='valid', activation='relu', subsample=(2, 2)))
self.model.add(Dropout(0.5))
self.model.add(Conv2D(64, 3, 3, border_mode='valid', activation='relu', subsample=(1, 1)))
self.model.add(Dropout(0.5))
self.model.add(Conv2D(64, 3, 3, border_mode='valid', activation='relu', subsample=(1, 1)))
self.model.add(Dropout(0.5))
self.model.add(Flatten())
self.model.add(Dense(1164, activation='relu'))
self.model.add(Dropout(0.5))
self.model.add(Dense(100, activation='relu'))
self.model.add(Dropout(0.5))
self.model.add(Dense(50, activation='relu'))
self.model.add(Dropout(0.5))
self.model.add(Dense(10, activation='relu'))
self.model.add(Dropout(0.5))
self.model.add(Dense(1, activation='tanh'))

adam = Adam(lr=0.0001)
self.model.compile(loss='mse',
              optimizer=adam,
              metrics=['accuracy'])

此模型是专门为自动驾驶问题设计的。

在入口处，在卷积网络的第1层，它拍摄尺寸为135, 135, 3的图像，并且在入口处已经给出了机器应该旋转的任何角度（取决于数据集）

是否有任何方法可以与图像一起添加-例如，传感器的读数？（距离等）

例如：我有一张图像，尺寸为135,135,3，还有来自传感器的读数数组，例如：

3个传感器 [10，0，25]

例如，标记它们，然后向左转。

-25-左侧，0-直线，25-右侧

如何结合传感器和图像的读数，以便在学习神经网络后将这些传感器的读数考虑在内？

Answer 1

当然可以，只是一些额外的数据，但是您对它的处理对于Conv2D网络可能并不理想。因此，也许在您做密集的地方或以后，您合并了两个网； https://datascience.stackexchange.com/questions/26103/merging-two-different-models-in-keras上方也有一个keras示例，也可能是张量流。

用多个值填充神经网络

-25-左侧，0-直线，25-右侧

1 个答案: