Deep learning 有线电视新闻网中的频道最大化

我需要减少CNN网络的频道数量。我的输入是一个4D对象（样本、行、列、通道）。通道数为3，我的训练输出只有一个通道。在训练期间，是否有在通道方向上进行最大池的方法

---

提前感谢

您可以按照几个选项进行操作，对通道求和，选择最大通道，制作标准RGB到B&W trasform，等等

所有这些都可以在

Lambda

层中实现，并具有定义的功能：

import keras.backend as K

def channelPool(x):
    return K.sum(x,axis=-1)

    #or
    return K.mean(x,axis=-1)

    #or
    return K.max(x,axis=-1)

    #or 
    return (.21*x[:,:,:,:1]) + (0.72*x[:,:,:,1:2]) + (0.07*x[:,:,:,-1:])

该层将是：

Lambda(channelPool, output_shape=optionalInTensorflow)

---

PS：如果您使用的是“channels_first”，则轴将为

1

，变换将采用

x[：，channel，：，：]

您可以按照几个选项进行操作，对通道求和，取最大通道，制作标准RGB到B&W变换器，等等

所有这些都可以在

Lambda

层中实现，并具有定义的功能：

import keras.backend as K

def channelPool(x):
    return K.sum(x,axis=-1)

    #or
    return K.mean(x,axis=-1)

    #or
    return K.max(x,axis=-1)

    #or 
    return (.21*x[:,:,:,:1]) + (0.72*x[:,:,:,1:2]) + (0.07*x[:,:,:,-1:])

该层将是：

Lambda(channelPool, output_shape=optionalInTensorflow)

---

PS：如果您使用的是“channels_first”，则轴将为

1

，变换将采用

x[：，channel，：，：]

到目前为止你都在尝试什么？这听起来像是图像处理领域中典型的分色输入。你想做什么，一个典型的以图像为导向的CNN还没有做到？现有模型没有处理第一个CONV层之后的信道数量；实际上，它们的输入量是原来的3倍。到目前为止你都在尝试什么？这听起来像是图像处理领域中典型的分色输入。你想做什么，一个典型的以图像为导向的CNN还没有做到？现有模型没有处理第一个CONV层之后的信道数量；它们实际上只是输入量的3倍。