Многополюсная глубокая нейронная сеть с TFLearn и Tensorflow

Question

Я пытаюсь построить многополюсную глубокую нейронную сеть (MDNN) с tflearn и tensorflow. MDNN объясняется в this paper. Часть, с которой я борюсь, - это то, как я могу добавить два или более входа вместе, чтобы их можно было подавать в тензор.

Для одного столбца у меня есть:

network = tflearn.input_data(shape=[None, image_shape, image_shape, 3]) 

и

model.fit(X_input, y_train, n_epoch=50, shuffle=True, 
     validation_set=(X_test_norm, y_test), 
     show_metric=True, batch_size=240, run_id='traffic_cnn2') 

, где X_input имеет форму (31367, 32, 32, 3). Я довольно новичок в numpy, tensorflow и tflearn. Трудность сейчас действительно заключается в том, как указать несколько входов для tflearn.

Любая помощь очень ценится.

Answer 1

MDNN, поясняемый в документе, индивидуально обучает несколько моделей, используя случайные (но ограниченные) искажения данных. После обучения всех моделей они производят прогнозы с использованием ансамблевого классификатора путем усреднения вывода всех моделей в разных версиях данных.

Насколько я понимаю, столбцы не являются совместно, а самостоятельно обучены. Таким образом, вы должны создавать разные модели и называть их по каждому из них. Я рекомендую вам начать обучение одной модели, и как только у вас будет установленная тренировка, получайте хорошие результаты, скопируйте ее. Чтобы генерировать прогнозы, вы должны вычислить среднее значение прогнозируемых вероятностей от , чтобы предсказать функцию и взять наиболее вероятный класс.

Один из способов генерации данных с ваших входов - использовать data augmentation. Однако вместо генерации новых данных вы должны заменить их на измененные версии.