图层（类型）输出形状参数＃

Question

我正在运行一种回归类型的CNN，该CNN基于样本和相应标签的数据集输入和输出不同尺寸的图像（而不是图像分割问题）。结果，我网络的最后一个密集层将标签的高度和宽度相乘。现在，我已经培训网络一段时间了，我想查看图像的外观，以便了解我的模型的好坏。是否有为我提供此选项的功能，或者我必须对其进行硬编码？我该怎么做？下面是我的网络代码和网络摘要。

图层（类型）输出形状参数＃

conv2d_1（Conv2D）（无，54，1755，4）20

activation_1（激活）（无，54，1，1755，4）0

max_pooling2d_1（MaxPooling2（None，18，585，4）0

batch_normalization_1（批次（无，18、585、4）16

conv2d_2（Conv2D）（无，17，584，8）136

activation_2（激活）（无，17、584、8）0

max_pooling2d_2（MaxPooling2（None，8，292，8）0

batch_normalization_2（批次（无，8、292、8）32

conv2d_3（Conv2D）（无，7，291，16）528

activation_3（激活）（无，7、291、16）0

max_pooling2d_3（MaxPooling2（None，3，145，16）0

batch_normalization_3（批次（无，3、145、16）64

conv2d_4（Conv2D）（无，2，144，32）2080

activation_4（激活）（无，2、144、32）0

max_pooling2d_4（MaxPooling2（None，1，72，32）0

batch_normalization_4（批次（无，1、72、32）128

flatten_1（平坦）（无，2304）0

dropout_1（退出）（无，2304）0

dense_1（Dense）（None，19316）44523380

activation_5（激活）（无，19316年）0

================================================ ==================

总参数：44,526,384 可训练的参数：44,526,264 不可训练的参数：120

谢谢！

def generator(data_arr, batch_size = 10):

num = len(data_arr) 
num = int(num/batch_size)

# Loop forever so the generator never terminates
while True: 

    for offset in range(0, num):

        batch_samples = (data_arr[offset*batch_size:(offset+1)*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)

model = Sequential()

model.add(Conv2D(4, (2, 2), input_shape = (55, 1756, 1)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (3, 3)))
model.add(BatchNormalization())

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

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

model.add(Conv2D(32, (2, 2)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (2, 2)))
model.add(BatchNormalization())

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

def nrmse(y_true, y_pred):
    return backend.sqrt(backend.mean(backend.square(y_pred - 
y_true)))/(2)

def rmse(y_true, y_pred):
    return backend.sqrt(backend.mean(backend.square(y_pred - y_true), 
axis=-1))

model.compile(loss = 'mean_squared_error',
             optimizer = 'adam',
             metrics = [rmse, nrmse])

model.summary()

Answer 1

据我了解，模型的输出应表示尺寸为（11,1756）的图像像素的灰度值。

无需对特殊功能进行硬编码，只需在模型的输出上使用标准reshape（）函数即可。

images = y_pred.reshape((-1, 11, 1756))

在创建矢量时，您可能已经在这样做了训练期间使用的y_true参数（我认为地面真理y_true变量的形状最初是（11， 1756），然后将其重塑为单列矢量形式）。

如何可视化我的回归型CNN的输出？

图层（类型）输出形状参数＃

1 个答案: