Question

我需要一个卷积层，该卷积层可根据输入输出可变数量的通道。 conv2d(filters = variable_number)

Answer 1

您是说要可变数量的通道，还是需要可变数量的过滤器？

因为通道和过滤器不同。通道代表图像的颜色（R，G，B或灰度），并且需要滤镜才能从图像中提取特征。

此外，请您说明一下为什么需要数量可变的过滤器或渠道，以便我们为您提供帮助。谢谢！

Answer 2

根据输入的不同，一个模型不能具有不同数量的过滤器。该模型需要固定以下参数才能进行训练。

模型中所有图层的名称和类型。
输出每一层的形状。
每层重量参数的数量。
每一层接收的输入。
模型的可训练和不可训练参数的总数。

如果通道的数量不同，则模型架构会针对不同的输入而变化，因此上面列出的所有点都会受到影响。

您可以使用所有固定参数构建模型，然后根据输入将dropout用于图层。但是同样地，辍学是一种正则化技术，简单地说，辍学是指在随机选择的某些神经元集的训练阶段忽略单位（即神经元）。 “忽略”是指在特定的向前或向后通过期间不考虑这些单位。

OR

最合适的解决方案是-

为不同的输入构建多个输入层。
连接所有这些层，但是在卷积层的情况下，请确保所有这些层的输出形状相同，否则连接会抛出错误。
添加模型的其余层。

下面是一个示例-

from keras.models import Model
from keras.layers import Input, concatenate, Conv2D, ZeroPadding2D
from keras.optimizers import Adagrad
import tensorflow.keras.backend as K
import tensorflow as tf

input_img1 = Input(shape=(44,44,3))
x1 = Conv2D(3, (3, 3), activation='relu', padding='same')(input_img1)

input_img2 = Input(shape=(34,34,3))
x2 = Conv2D(3, (3, 3), activation='relu', padding='same')(input_img2)
# Zero Padding of 5 at the top, bottom, left and right side of an image tensor
x3 = ZeroPadding2D(padding = (5,5))(x2)

# Concatenate works as layers have same size output
x4 = concatenate([x1,x3])

output = Dense(18, activation='relu')(x4)

model = Model(inputs=[input_img1,input_img2], outputs=output)

model.summary()

输出-

Model: "model_22"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_91 (InputLayer)           (None, 34, 34, 3)    0                                            
__________________________________________________________________________________________________
input_90 (InputLayer)           (None, 44, 44, 3)    0                                            
__________________________________________________________________________________________________
conv2d_73 (Conv2D)              (None, 34, 34, 3)    84          input_91[0][0]                   
__________________________________________________________________________________________________
conv2d_72 (Conv2D)              (None, 44, 44, 3)    84          input_90[0][0]                   
__________________________________________________________________________________________________
zero_padding2d_14 (ZeroPadding2 (None, 44, 44, 3)    0           conv2d_73[0][0]                  
__________________________________________________________________________________________________
concatenate_30 (Concatenate)    (None, 44, 44, 6)    0           conv2d_72[0][0]                  
                                                                 zero_padding2d_14[0][0]          
__________________________________________________________________________________________________
dense_47 (Dense)                (None, 44, 44, 18)   126         concatenate_30[0][0]             
==================================================================================================
Total params: 294
Trainable params: 294
Non-trainable params: 0
__________________________________________________________________________________________________

希望这可以回答您的问题。学习愉快。

可变通道数

2 个答案: