图层（类型）输出形状参数＃

Question

我正在研究一个深度学习问题，该问题要求我有一个深度学习模型，该模型具有输入图像和输出另一个图像的功能。现在，输入和输出图像的尺寸不同，因此，我不能使用自动编码器。我已经尝试构建一个非常简单的卷积神经网络，该网络具有最终的输出密集层，该输出密集层具有“单位”自变量，即输出图像的宽度和高度相乘。但是，我下面附加的该网络没有成功。我的问题是：

CNN是否是正确的深度学习网络类型，可以按我的方式解决此问题？
如果没有，我可以尝试的其他类型的深度学习网络解决这个问题？

谢谢！

以下是我已经尝试过的CNN模型的摘要：

图层（类型）输出形状参数＃

conv2d_1（Conv2D）（无，26、877、32）544

activation_1（激活）（无，26、877、32）0

max_pooling2d_1（MaxPooling2（None，13，438，32）0

conv2d_2（Conv2D）（无，12、437、16）2064

activation_2（激活）（无，12、437、16）0

max_pooling2d_2（MaxPooling2（None，6，218，16）0

conv2d_3（Conv2D）（无，5、217、8）520

activation_3（激活）（无，5、217、8）0

max_pooling2d_3（MaxPooling2（None，2，108，8）0

activation_4（激活）（无，2、108、8）0

flatten_1（扁平）（无，1728）0

dropout_1（退出）（无，1728）0

dense_1（Dense）（None，19316）33397364

================================================ ================== 参数总计：33,400,492 可训练的参数：33,400,492 不可训练的参数：0

def generator(data_arr, batch_size = 10):

num = len(data_arr) 

if num % batch_size != 0 : 
    num = int(num/batch_size)

# Loop forever so the generator never terminates
while True: 

for offset in range(0, num, batch_size):

    batch_samples = (data_arr[offset:offset+batch_size])

    samples = []
    labels = []

    for batch_sample in batch_samples:

        samples.append(batch_sample[0])
        labels.append((np.array(batch_sample[1].flatten)).transpose())

    X_ = np.array(samples)
    Y_ = np.array(labels)

    X_ = X_[:, :, :, newaxis]

    yield (X_, Y_)

# compile and train the model using the generator function
train_generator = generator(training_data, batch_size = 10)
validation_generator = generator(val_data, batch_size = 10)

run_opts = tf.RunOptions(report_tensor_allocations_upon_oom = True)

model = Sequential()

model.add(Conv2D(32, (4, 4), strides=(2, 2), input_shape = (55, 1756, 
1)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (2, 2)))

model.add(Conv2D(16, (2, 2)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (2, 2)))

model.add(Conv2D(8, (2, 2)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (2, 2)))

model.add(Activation('softmax'))
model.add(Flatten())  
model.add(Dropout(0.3))
model.add(Dense(19316))

model.compile(loss = 'categorical_crossentropy',
              optimizer = 'adam',
              metrics = ['accuracy'],
              options = run_opts)

model.summary()

batch_size = 20
nb_epoch = 6

model.fit_generator(train_generator, 
                    steps_per_epoch = len(training_data) ,
                    epochs = nb_epoch,
                    validation_data = validation_generator,
                    validation_steps = len(val_data))

Answer 1

我建议您使用UNet类型。这种架构具有下采样层，其后是上采样层，以返回到原始空间尺寸。

请参阅this图片回归文章

卷积神经网络可以输出图像吗？

图层（类型）输出形状参数＃

1 个答案: