在Keras中，合并辅助输入是否保留排序顺序
在一个模型体系结构中，主数据具有应用于早期级别的卷积，然后是串联（合并），然后是密集操作，当批量被洗牌时，我们能否依靠串联中的适当排序在Keras中，合并辅助输入是否保留排序顺序,keras,Keras,在一个模型体系结构中，主数据具有应用于早期级别的卷积，然后是串联（合并），然后是密集操作，当批量被洗牌时，我们能否依靠串联中的适当排序 作为一个例子，考虑一组在一周中不同的日子拍摄的照片。在该架构中，首先对照片进行卷积，然后进行展平操作。展平后，将周中的单个参数day_连接到展平张量，然后密集运算得到最终输出 我担心的是，示例照片与星期几之间的关联将丢失。这是否会自动处理模型（输入=[photoconvdata，dowdata]，…）语句？Td；lr是，否则多输入模型将适用于卷积。 有人可能会在
作为一个例子，考虑一组在一周中不同的日子拍摄的照片。在该架构中，首先对照片进行卷积，然后进行展平操作。展平后，将周中的单个参数day_连接到展平张量，然后密集运算得到最终输出
我担心的是，示例照片与星期几之间的关联将丢失。这是否会自动处理模型（输入=[photoconvdata，dowdata]，…）语句？Td；lr是，否则多输入模型将适用于卷积。 有人可能会在后面的答案中引用代码路径，我将尝试给出一些经验证据 首先，让我们模拟一个3D张量（假设你在照片中使用通道——这很重要）。我们想让大家明白 示例的索引未被触及。所以我们会留下一堆零 在最后一个示例（示例）中。您会注意到，当我们检查输出时，这些零是示例输出的最后一个零 我们测试它的方法是建立并拟合一个模型。每个时代之后 我们将检查连接层的输出。我们应该找到一些迹象表明连接发生在正确的索引上
from keras.model import Model
from keras.layers import Dense, Conv2D, concatenate, Flatten, Input
X = np.zeros((10, 10, 10, 10), dtype=np.int8)
# making the example different
X[:9, :] = np.random.randint(100, 110, (9, 10, 10, 10))
X_ this is your second input (photo_date)
X_ = np.ones((10, 1))
# model
inp = Input((10, 10, 10))
inp2 = Input((1,))
conv = Conv2D(3, (2, 2))(inp)
flat = Flatten()(conv)
merge = concatenate([flat, inp2])
out = Dense(1, activation='sigmoid')(merge)
model = Model(inputs = [inp, inp2], outputs=[out])
# here is the function we're going to use to checkout the output
# at the concatenation layer
concat_output = K.function([model.inputs[0], model.inputs[1],
K.learning_phase()],
[model.layers[4].output])
# print the output before training. This is what we expect, 0's are
# in the last position with a 1 concatenated to every index.
concat_output([X, X_, 0])
>>> [array([[ 113.494606, 54.331547, -290.99573 , ..., 53.661514,
-289.99292 , 1. ],
[ 114.72675 , 51.808422, -284.84506 , ..., 48.507256,
-286.96945 , 1. ],
[ 110.17914 , 54.97028 , -288.6585 , ..., 51.36793 ,
-287.4386 , 1. ],
...,
[ 111.09259 , 57.093 , -281.43994 , ..., 49.77134 ,
-288.38226 , 1. ],
[ 108.35742 , 45.220837, -284.50668 , ..., 48.4583 ,
-295.17084 , 1. ],
[ 0. , 0. , 0. , ..., 0. ,
0. , 1. ]], dtype=float32)]
# we train for 2 epoches using this was since we want to investigate
the model output. after every round without having to deal
with callbacks.
for i in range(2):
print(concat_output([X, X_, 0]))
model.fit([X, X_], y, batch_size=2) # shuffle = True by default
[array([[ 1.0643581e+01, 7.7266968e+01, 4.6593994e+01, ...,
7.5334999e+01, 4.8712486e+01, 1.0000000e+00],
[ 1.5145729e+01, 7.3742798e+01, 4.3532047e+01, ...,
7.3937592e+01, 5.0245125e+01, 1.0000000e+00],
[ 1.9058825e+01, 7.3847824e+01, 4.9182228e+01, ...,
7.4079361e+01, 4.4511917e+01, 1.0000000e+00],
...,
[ 1.1023483e+01, 7.0525513e+01, 4.0074528e+01, ...,
7.4147705e+01, 4.4983501e+01, 1.0000000e+00],
[ 1.1787775e+01, 7.6140900e+01, 4.5392090e+01, ...,
7.5364082e+01, 4.5399754e+01, 1.0000000e+00],
[-4.4723554e-03, 4.4722753e-03, -4.4723558e-03, ...,
4.4722753e-03, -4.4723558e-03, 1.0000000e+00]], dtype=float32)]
Epoch 1/1
10/10 [==============================] - 0s - loss: 0.3998
[array([[ 1.0641594e+01, 7.7268997e+01, 4.6592007e+01, ...,
7.5337029e+01, 4.8710499e+01, 1.0000000e+00],
[ 1.5143742e+01, 7.3744827e+01, 4.3530060e+01, ...,
7.3939621e+01, 5.0243137e+01, 1.0000000e+00],
[ 1.9056837e+01, 7.3849854e+01, 4.9180241e+01, ...,
7.4081390e+01, 4.4509930e+01, 1.0000000e+00],
...,
[ 1.1021496e+01, 7.0527542e+01, 4.0072540e+01, ...,
7.4149734e+01, 4.4981514e+01, 1.0000000e+00],
[ 1.1785788e+01, 7.6142929e+01, 4.5390102e+01, ...,
7.5366112e+01, 4.5397766e+01, 1.0000000e+00],
[-6.4606303e-03, 6.4977570e-03, -6.4600804e-03, ...,
6.4977570e-03, -6.4600804e-03, 1.0000000e+00]], dtype=float32)]
Epoch 1/1
10/10 [==============================] - 0s - loss: 0.3995
希望这能让您确信不会将照片时间连接到错误的图像索引。回答非常详细和仔细，非常有用。