如何(有效地)在TensorFlow中应用通道方式的完全连接层
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了如何(有效地)在TensorFlow中应用通道方式的完全连接层相关的知识,希望对你有一定的参考价值。
我再次向你伸手去抓我可以上班的东西,但真的很慢。我希望你能帮助我优化它。
我正在尝试在TensorFlow中实现一个卷积自动编码器,在编码器和解码器之间有一个很大的潜在空间。通常,人们会将编码器连接到具有完全连接层的解码器,但是因为这个潜在空间具有高维度,所以这样做会产生太多的特征,使其在计算上是可行的。
我在this paper找到了一个很好的解决这个问题的方法。他们将其称为“通道完全连接层”。它基本上是每个通道的完全连接层。
我正在努力实现,我让它工作,但图形的生成需要很长时间。到目前为止这是我的代码:
def _network(self, dataset, isTraining):
encoded = self._encoder(dataset, isTraining)
with tf.variable_scope("fully_connected_channel_wise"):
shape = encoded.get_shape().as_list()
print(shape)
channel_wise = tf.TensorArray(dtype=tf.float32, size=(shape[-1]))
for i in range(shape[-1]): # last index in shape should be the output channels of the last conv
channel_wise = channel_wise.write(i, self._linearLayer(encoded[:,:,i], shape[1], shape[1]*4,
name='Channel-wise' + str(i), isTraining=isTraining))
channel_wise = channel_wise.concat()
reshape = tf.reshape(channel_wise, [shape[0], shape[1]*4, shape[-1]])
reconstructed = self._decoder(reshape, isTraining)
return reconstructed
那么,任何想法为什么这么长时间?实际上这是一个范围(2048),但所有的线性层都非常小(4x16)。我是以错误的方式接近这个吗?
谢谢!
答案
您可以在Tensorflow中检查它们的实现。这是他们实现的“通道完全连接层”。
def channel_wise_fc_layer(self, input, name): # bottom: (7x7x512)
_, width, height, n_feat_map = input.get_shape().as_list()
input_reshape = tf.reshape( input, [-1, width*height, n_feat_map] )
input_transpose = tf.transpose( input_reshape, [2,0,1] )
with tf.variable_scope(name):
W = tf.get_variable(
"W",
shape=[n_feat_map,width*height, width*height], # (512,49,49)
initializer=tf.random_normal_initializer(0., 0.005))
output = tf.batch_matmul(input_transpose, W)
output_transpose = tf.transpose(output, [1,2,0])
output_reshape = tf.reshape( output_transpose, [-1, height, width, n_feat_map] )
return output_reshape
主要思想是使用tf.batch_matmul函数。
但是,在最新版本的Tensorflow中删除了tf.batch_matmul,您可以使用tf.matmul来替换它。
以上是关于如何(有效地)在TensorFlow中应用通道方式的完全连接层的主要内容,如果未能解决你的问题,请参考以下文章