修改神經網絡以一次預測3個示例

Question

我這里有一個卷積神經網絡，它可以拍攝96x96x3的圖片並輸出1x128的編碼。 （未定義的功能只是一系列的層）

我將如何修改體系結構以采用3x96x96x3輸入並產生3x128輸出（使用相同參數向前傳播3次）？

def faceRecoModel(input_shape):
    """
    Implementation of the Inception model used for FaceNet

    Arguments:
    input_shape -- shape of the images of the dataset

    Returns:
    model -- a Model() instance in Keras
    """

    # Define the input as a tensor with shape input_shape
    X_input = Input(input_shape)

    # Zero-Padding
    X = ZeroPadding2D((3, 3))(X_input)

    # First Block
    X = Conv2D(64, (7, 7), strides=(2, 2), name='conv1')(X)
    X = BatchNormalization(axis=1, name='bn1')(X)
    X = Activation('relu')(X)

    # Zero-Padding + MAXPOOL
    X = ZeroPadding2D((1, 1))(X)
    X = MaxPooling2D((3, 3), strides=2)(X)

    # Second Block
    X = Conv2D(64, (1, 1), strides=(1, 1), name='conv2')(X)
    X = BatchNormalization(axis=1, epsilon=0.00001, name='bn2')(X)
    X = Activation('relu')(X)

    # Zero-Padding + MAXPOOL
    X = ZeroPadding2D((1, 1))(X)

    # Second Block
    X = Conv2D(192, (3, 3), strides=(1, 1), name='conv3')(X)
    X = BatchNormalization(axis=1, epsilon=0.00001, name='bn3')(X)
    X = Activation('relu')(X)

    # Zero-Padding + MAXPOOL
    X = ZeroPadding2D((1, 1))(X)
    X = MaxPooling2D(pool_size=3, strides=2)(X)

    # Inception 1: a/b/c
    X = inception_block_1a(X)
    X = inception_block_1b(X)
    X = inception_block_1c(X)

    # Inception 2: a/b
    X = inception_block_2a(X)
    X = inception_block_2b(X)

    # Inception 3: a/b
    X = inception_block_3a(X)
    X = inception_block_3b(X)

    # Top layer
    X = AveragePooling2D(pool_size=(3, 3), strides=(1, 1), data_format='channels_first')(X)
    X = Flatten()(X)
    X = Dense(128, name='dense_layer')(X)

    # L2 normalization
    X = Lambda(lambda x: K.l2_normalize(x, axis=1))(X)

    # Create model instance
    model = Model(inputs=X_input, outputs=X, name='FaceRecoModel')

    return model

Answer 1

編輯：正如op提到的那樣，網絡應一次處理3張圖像，因為數據集的形狀為（m，3,96,96,3），那么一種簡單的方法是以並行方式創建三個標准起始網絡，然后連接從它們每個接收的輸出。

Answer 2

您無需進行任何修改，Keras中輸入的第一維始終是批處理維，因此，您實際上需要輸入形狀為(3, 96, 96, 3) 3，96，96，3）的輸入，您將獲得對應的輸出(3, 128) 。 無需修改代碼。

Answer 3

如果要輸入形狀(batch_size, 3, 96, 96, 3)的形狀(batch_size, 3, 96, 96, 3)即將3張圖像作為單個輸入樣本進行處理，則需要創建一個新模型，該模型使用訓練有素的模型並將其應用於每個模型3張圖像獨立。 您可以使用TimeDistributed包裝器輕松實現此TimeDistributed ：

from keras.layers import TimeDistributed

inp = Input(shape=(3, 96, 96, 3))
out = TimeDistributed(the_trained_face_rec_model)(inp)

model = Model(inp, out)

此新模型​​的輸出的形狀為(batch_size, 3, 128) 。 無需編譯或訓練此新模型，因為它只是先前訓練過的模型的包裝。 因此，您可以使用： predictions = model.predict(my_images) 。