將 CNN 與 LSTM 相結合

Question

我希望與 CNN 一起實現 RNN，以便基於兩張圖像而不是單獨使用 CNN 進行預測。 我正在嘗試修改 alexnet model 代碼：

def alexnet(width, height, lr, output=3):
    network = input_data(shape=[None, width, height, 1], name='input')
    network = conv_2d(network, 96, 11, strides=4, activation='relu')
    network = max_pool_2d(network, 3, strides=2)
    network = local_response_normalization(network)
    network = conv_2d(network, 256, 5, activation='relu')
    network = max_pool_2d(network, 3, strides=2)
    network = local_response_normalization(network)
    network = conv_2d(network, 384, 3, activation='relu')
    network = conv_2d(network, 384, 3, activation='relu')
    network = conv_2d(network, 256, 3, activation='relu')
    network = max_pool_2d(network, 3, strides=2)
    network = local_response_normalization(network)
    network = fully_connected(network, 4096, activation='tanh')
    network = dropout(network, 0.5)
    network = fully_connected(network, 4096, activation='tanh')
    network = dropout(network, 0.5)
    network = fully_connected(network, output, activation='softmax')
    network = regression(network, optimizer='momentum',
                         loss='categorical_crossentropy',
                         learning_rate=lr, name='targets')

    model = tflearn.DNN(network, checkpoint_path='model_alexnet',
                        max_checkpoints=1, tensorboard_verbose=0, tensorboard_dir='log')

    return model

我將圖像放在一個 np 數組中，其中每個元素都是一個圖像的像素數據。 我在使用 RNN 實現使用兩個圖像的功能時遇到了麻煩。

我已經看到了 tflearn 的 reshape 和 lstm 方法，我認為它們應該放在最終的全連接層之前，但不確定如何指定要使用的圖像數量。

另外，使用 Keras 會更容易實現嗎？

Answer 1

如果我理解正確，您需要執行以下操作。 讓model成為網絡，將一系列圖像作為輸入並返回預測。 使用功能 API，其示意圖如下所示：

    def create_model():
        input_data = keras.Input(shape=(number-of-images,shape-of-images))
        ### processing part ###
        model = keras.Model(input_images, your-predictions)
        return model
    model = create_model()

在processing part ，您希望獲得每個圖像的編碼，然后使用 RNN 將它們作為一個序列進行分析。

作為第一步，您需要獲取所有圖像的編碼。 讓encoder成為對單個圖像進行編碼的網絡，返回enc_dim維編碼。 為了有效地獲取所有圖像的編碼，請注意在訓練期間model處理具有形狀(batch-size,number-of-images,shape-of-images) 。 因此，總共有total-number-of-images = （批量大小）x（圖像數）圖像。 要處理它們，請將input_data重塑為具有維度(total-number-of-images,shape-of-images) ，如下所示：

    input_data_reshaped = tf.reshape(input_data, (-1,shape-of-images)),

並將它們通過encoder ：

    image_encodings_flatterned = encoder(input_data_reshaped).

這將產生形式為(total-number-of-images,enc_dim) 的 output 。 要處理編碼，您需要恢復批量尺寸。 這很容易做到：

    image_encodings = tf.reshape(image_encodings_flatterned, (-1,number-of-images,enc_dim))

正如預期的那樣，它將數據重塑為(batch-size,number-of-images,enc_dim) 。 這些數據可以很容易地被 RNN 層或其組合處理。 例如，對於單個 LSTM 層，

    rnn_analyzer = tf.keras.layers.LSTM(parameters)

預測結果如下：

    rnn_encodings = rnn_analyzer(image_encodings).

密集層可以進一步使用rnn_encodings來進行最終預測。

通過將上述內容放在model的processing part ，您將達到目標。