具有离散值的Keras Conv3D层

Question

我正在尝试建立一个将学习3D空间特征的模型。与图像处理不同，3D矩阵的值不是连续的。它们代表可以在该特定坐标处找到的“材料”的某个离散值（例如，值为1的草或值为2的楼梯）。

是否可以训练模型以学习空间特征而无需在中间值之间进行插值？例如，我不希望神经网络推断1.5是某种草丛。

Answer 1

您将要使用一热编码，该编码将分类值表示为零数组，且单个值设置为一。这意味着草（id = 1）将为[0, 1, 0, 0, ...]，楼梯（id = 2）将为[0, 0, 1, 0, ...]。要执行一键编码，请查看keras的to_categorical函数。

进一步阅读：

• one-hot encoding tutorial
• one-hot preprocessing using to_categorical
• one-hot on the fly using an embedding layer

Answer 2

作为任何分类模型，这应该是“一次性”数据。

数据的“渠道”维度应为n-materials。

• 值= 0表示不存在该材料
• 值= 1表示存在该材料

因此，您的输入形状将类似于(samples, spatial1, spatial2, spatial3, materials)。如果您的数据当前的形状为(samples, s1, s2, s3)，并且材料如您所描述的那样是整数，则可以使用to_categorical将整数转换为“ one-hot”。

Answer 3

尽管我不确定这是否是您要的，但我可以想象，在卷积网络的瓶颈之后，通常会使用平坦的层，然后输出进入密集的层。输出层（如果使用Sigmoid激活）将为您提供每个类的概率，这些类必须像其他人建议的那样进行一次热编码。

如果您想让网络本身的输出保持谨慎的价值，我想您可以在输出层中使用某种逐步激活功能。但是，您必须注意，您的损失在整个网络中仍然是可区分的（这就是为什么这种激活功能在keras中不可用的原因）。这可能很有趣：https://github.com/keras-team/keras/issues/7370