首页 文章

两个并行的conv2d层（keras）

提问于
浏览 次
0

我想要两个构建一个神经网络，它将两个具有相同尺寸的单独矩阵（例如灰度图像）作为输入，并输出介于-1和1之间的值（可能是tanh） .

我想构建网络，以便有两个单独的卷积层作为输入 . 每一个都采用一个矩阵（或图像） . 然后将这些组合在下一层中 . 所以我希望它看起来像这样：

enter image description here

我的第一个问题是我可以在keras中执行此操作（或者如果不是在tensorflow中）吗？第二个问题是？是否有意义？因为我也可以很容易地将两个矩阵合成在一起，并且只使用一个conv2d层 . 所以像这样：

enter image description here

我想要做的事情会走得太远 . 但你能想象出第一个版本更有意义的情况吗？

tensorflow keras conv-neural-network

1 回答

  • 2

    如果输入不同，你可以在Keras做到这一点并且是有意义的 . 要在keras中首先执行此操作，您需要一个多输入模型，并且必须将卷积层的输出连接在一起 .

    input_1= Input(shape=(x,y), name='input_1')
input_2= Input(shape=(x,y), name='input_1')
c1 = Conv2D(filter_size, kernel_size))(input_1)
p1 = MaxPooling2D(pool_size=(2, 2)(input_1)
f1 = Flatten()(p1)
c2 = Conv2D(filter_size, kernel_size))(input_2)
p2 = MaxPooling2D(pool_size=(2, 2)(c2)
f2 = Flatten()(p2)

x = concatenate([f1, f2])
x = Dense(num_classes, activation='sigmoid')(x)

model = Model(inputs=[input_1, input_2], outputs=[x])
model.compile('adam', 'binary_crossentropy', metrics=['accuracy'])

    根据您的数据，也可以共享卷积层，因此您只需定义一次dem并重复使用它们 . 在这种情况下，权重是共享的 .

    conv = Conv2D(filter_size, kernel_size))
pooling = MaxPooling2D(pool_size=(2, 2)
flatten = Flatten()

f1 = flatten(pooling(conv(input_1)))
f2 = flatten(pooling(conv(input_2)))
    回复于

相关问题