首页 文章

如何在keras conv2d中指定过滤器

提问于
浏览 次
2

我试图在我的Keras模型中实现一个使用特定高斯滤波器的conv2D层 . 虽然现有的Keras Conv2D没有过滤器本身的参数，但我有生成过滤器的代码 . 相反，有一个 filters 参数，它是一个指定输出空间维度的整数，以及 kernel_size ，它是一个指定内核维度的元组 .

我试图使用Keras后端的东西来解决这个问题，因为conv2D函数here允许你像我想要的那样输入一个特定的过滤器 . 问题是我不知道如何将它重新放回我的模型中，所以再一次，我被卡住了 . 我也发现了类似我的问题，如this一个建议编写我自己的图层，但我不确定如何去做，如果有一个更简单的方法，我希望避免它 .

一如既往，非常感谢任何帮助 .

python filter keras convolution keras-layer

2 回答

  • 1

    长答案简称： You don't need a convolutional layer at all . 卷积层的目的是为您找到合适的过滤器 . 由于您已经知道要使用哪个过滤器，因此您可以愉快地跳过整个卷积内容并直接跳到完全连接的层 . 将高斯滤镜应用于图像 . 然后使用 Flatten() 图层将图像直接提供给MLP .

    不要试图在推车上添加第五个轮子 .

    希望这有帮助 .

    回复于
  • 0

    我刚刚发布了linked问题的答案，但这里作为如何在Keras中应用自定义过滤器的示例可能很有用 . 对于高斯的例子，使用适用于2D的this来获得滤波器，

    import numpy as np
import scipy.stats as st

def gkern(kernlen=[21,21], nsig=[3, 3]):
    """Returns a 2D Gaussian kernel array."""

    assert len(nsig) == 2
    assert len(kernlen) == 2
    kern1d = []
    for i in range(2):
        interval = (2*nsig[i]+1.)/(kernlen[i])
        x = np.linspace(-nsig[i]-interval/2., nsig[i]+interval/2., kernlen[i]+1)
        kern1d.append(np.diff(st.norm.cdf(x)))

    kernel_raw = np.sqrt(np.outer(kern1d[0], kern1d[1]))
    kernel = kernel_raw/kernel_raw.sum()
    return kernel

import matplotlib.pyplot as plt
plt.imshow(gkern([7,7]), interpolation='none')
plt.show()

    然后，您可以将其设置为初始过滤器并冻结该层，使其不再训练，这看起来像这样，

    from keras.models import Sequential
from keras.layers import Conv2D

#Set Some Image
image = [[4,3,1,0],[2,1,0,1],[1,2,4,1],[3,1,0,2]]

# Pad to "channels_last" format 
# which is [batch, width, height, channels]=[1,4,4,1]
image = np.expand_dims(np.expand_dims(np.array(image),2),0)

#Initialise to set kernel to required value
def kernel_init(shape):
    kernel = np.zeros(shape)
    kernel[:,:,0,0] = gkern([shape[0], shape[1]])
    return kernel 

#Build Keras model
model = Sequential()
#We would freeze training of the layers if we
# wanted to keep a Gaussian filter
Gausslayer = Conv2D(1, [3,3], kernel_initializer=kernel_init, 
                    input_shape=(4,4,1), padding="valid")
Gausslayer.trainable = False
model.add(Gausslayer)
#Add some more layers here
#model.add(Conv2D(...)
model.build()

# To apply existing filter, we use predict with no training
out = model.predict(image)
print(out[0,:,:,0])

    并且可以适应添加更多可训练的层 .

    回复于

相关问题