tflearn/张量流 |多流/多尺度/集成模型定义

Posted 2023-02-16

【中文标题】tflearn/张量流 |多流/多尺度/集成模型定义

【英文标题】：tflearn / tensorflow | Multi-stream/Multiscale/Ensemble model definition

【发布时间】：2016-11-27 12:58:52

【问题描述】：

我正在尝试使用 tflearn 定义一个多流模型，以便有两个相同架构的副本（或者您可以将其视为一个集成模型），我使用同一图像的不同裁剪提供两个副本，但不确定我将如何使用 tflearn 实现它。

我基本上有这个数据：

X_train1, X_test1, y_train1, y_test1 : Dataset 1 (16images x 299 x 299px x 3ch)
X_train2, X_test2, y_train2, y_test2 : Dataset 2 (16images x 299 x 299px x 3ch)

到目前为止，我已经根据logical.pyexample（简化代码）创建了这个：

netIn1 = tflearn.input_data(shape=[None, 299, 299, 3]    
net1 = tflearn.conv_2d(netIn1, 16, 3, regularizer='L2', weight_decay=0.0001)
...
net1 = tflearn.fully_connected(net1, nbClasses, activation='sigmoid')
net1 = tflearn.regression(net1, optimizer=adam, loss='binary_crossentropy')

netIn2 = tflearn.input_data(shape=[None, 299, 299, 3]    
net2 = tflearn.conv_2d(netIn2, 16, 3, regularizer='L2', weight_decay=0.0001)
...
net2 = tflearn.fully_connected(net2, nbClasses, activation='sigmoid')
net2 = tflearn.regression(net2, optimizer=adam, loss='binary_crossentropy')

然后通过连接合并两个网络：

net = tflearn.merge([net1, net2], mode = 'concat', axis = 1)

然后像这样开始训练：

# Training
model = tflearn.DNN(net, checkpoint_path='model',
                max_checkpoints=10, tensorboard_verbose=3,
                clip_gradients=0.)

model.fit([X1,X2], [Y1,Y2], validation_set=([testX1, testX2], [testY1,testY2]))

所以现在我的问题是如何在网络开始时解析输入？如何将 X1 拆分为 net1 并将 X2 拆分为 net2？

【参考方案1】：

您不需要拆分 X1 和 X2，它们将自动分配给您的输入层 netIn1 和 netIn2（按照您定义它们的相同顺序）。