首页 文章

Keras中的深度自动编码器将一维转换为另一维i

提问于
浏览 次
1

我正在使用向量来表示图像和 Headers ，从而进行图像 Headers 任务 .

字幕向量具有大小为128的legth / dimension . 图像向量具有大小为2048的长度/尺寸 .

我想要做的是训练自动编码器，以获得能够将文本向量转换为图像向量的编码器 . 以及能够将图像矢量转换为文本矢量的解码器 .

编码器：128 - > 2048 .

解码器：2048 - > 128 .

我按照this教程实现了一个浅薄的网络，做我想做的事情 .

但我不知道如何创建一个深度网络，遵循相同的教程 .

x_dim = 128
y_dim = 2048
x_dim_shape = Input(shape=(x_dim,))
encoded = Dense(512, activation='relu')(x_dim_shape)
encoded = Dense(1024, activation='relu')(encoded)
encoded = Dense(y_dim, activation='relu')(encoded)

decoded = Dense(1024, activation='relu')(encoded)
decoded = Dense(512, activation='relu')(decoded)
decoded = Dense(x_dim, activation='sigmoid')(decoded)

# this model maps an input to its reconstruction
autoencoder = Model(input=x_dim_shape, output=decoded)

# this model maps an input to its encoded representation
encoder = Model(input=x_dim_shape, output=encoded)

encoded_input = Input(shape=(y_dim,))
decoder_layer1 = autoencoder.layers[-3]
decoder_layer2 = autoencoder.layers[-2]
decoder_layer3 = autoencoder.layers[-1]

# create the decoder model
decoder = Model(input=encoded_input, output=decoder_layer3(decoder_layer2(decoder_layer1(encoded_input))))

autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')


autoencoder.fit(training_data_x, training_data_y,
                nb_epoch=50,
                batch_size=256,
                shuffle=True,
                validation_data=(test_data_x, test_data_y))

training_data_x和test_data_x有128个维度 . training_data_y和test_data_y具有2048个维度 .

我在尝试运行时收到的错误如下：

异常：检查模型目标时出错：期望dense_6具有形状（无，128）但是具有形状的数组（32360,2048）

dense_6是最后一个解码变量 .

python vector neural-network keras autoencoder

1 回答

  • 3

    自动编码器

    如果你想要能够分别调用 encoder 和 decoder ，你需要做的是完全按照教程训练整个自动编码器，使用 input_shape == output_shape （在你的情况下为 == 128 ），然后才能调用它的一个子集层：

    x_dim = 128
y_dim = 2048
x_dim_shape = Input(shape=(x_dim,))
encoded = Dense(512, activation='relu')(x_dim_shape)
encoded = Dense(1024, activation='relu')(encoded)
encoded = Dense(y_dim, activation='relu')(encoded)

decoded = Dense(1024, activation='relu')(encoded)
decoded = Dense(512, activation='relu')(decoded)
decoded = Dense(x_dim, activation='sigmoid')(decoded)

# this model maps an input to its reconstruction
autoencoder = Model(input=x_dim_shape, output=decoded)
autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')
autoencoder.fit(training_data_x, training_data_x, nb_epoch=50, batch_size=256, shuffle=True, validation_data=(test_data_x, test_data_y))

# test the decoder model
encoded_input = Input(shape=(y_dim,))
decoder_layer1 = autoencoder.layers[-3]
decoder_layer2 = autoencoder.layers[-2]
decoder_layer3 = autoencoder.layers[-1]

decoder = Model(input=encoded_input, output=decoder_layer3(decoder_layer2(decoder_layer1(encoded_input))))
decoder.compile(optimizer='adadelta', loss='binary_crossentropy')
eval = decoder.evaluate(test_data_y, test_data_x)
print('Decoder evaluation: {:.2f}'.format(eval))

    请注意，在参数中调用 autoencoder.fit() ， x == y 时 . 这就是自动编码器（通常）必须优化瓶颈表示（您在自己的代码中调用 y ）以最佳地适应具有较小尺寸的原始图像的方式 .

    但是，作为对此答案第二部分的过渡，请注意，在您的情况下， x_dim < y_dim . 实际上，你正在训练一个模型来增加数据维度，这没有多大意义，AFAICT .

    你的问题

    现在再次阅读您的问题，我不认为自动编码器对您想要实现的目标有任何好处 . 它们旨在实现数据的维度，并且伤亡最小 .

    你要做的是：

    • Render 文字到图像（你叫什么 encode ）

    • Read 图像中的文字（你叫什么 decode ）

    在我的理解中，虽然 2. 可能确实需要一些机器学习，但是 1. 肯定不会：有很多库在图像上写文字 .

    回复于

相关问题