我正在尝试训练分类器将粒子物理探测器拍摄的图像分成两类 . 对于每个图像，我还有一个坐标（x，y，z）描述粒子交互发生的位置 . 该坐标对于通过眼睛理解这些图像非常有用，但是没有对加权图像像素的明显转换 .
我一直在尝试scikit-learn中的一些基本机器学习技术，用103个特征输入数据点：坐标的三个轴和图像的10x10像素 . 不幸的是，那些基本技术并没有削减它，所以我想我会尝试利用卷积神经网络的特性 . 由于我以前从未尝试过，因此Keras似乎是一种简单的入门方式 .
看着Keras，我看到我应该提供一个输入形状 . 我可能会使用（103）的输入形状，但如果我正确理解CNN，我将失去CNN对图像的所有优势 . 直觉上，我想要的输入形状是（3）（10,10） . 这是CNN世界中一个明智的概念吗？可以在Keras完成吗？
1 回答
您可能想要查看Merge layer . 从本质上讲，这允许您使用两个独立的输入，可能会给它们一些不同的处理层，并将它们组合成模型的其余部分 .
例如，您可以使用多个卷积图层来处理图像，然后将其与坐标输入合并 .