Neural network 如何用张量流建立多输入图？

是否可以定义一个具有多个输入的TensorFlow图？ 例如，我想给图形两个图像和一个文本，每一个都由一组层处理，最后是一个fc层。然后有一个节点计算一个损耗函数，该函数考虑了这三种表示形式。目的是考虑联合表示损失，使三个网络反向传播。

---

可能吗？有关于它的例子/教程吗？

这完全是直截了当的事情。对于“一个输入”，您将有如下内容：

def build_column(x, input_size):

    w = tf.Variable(tf.random_normal([input_size, 20]))
    b = tf.Variable(tf.random_normal([20]))
    processing1 = tf.nn.sigmoid(tf.matmul(x, w) + b)

    w = tf.Variable(tf.random_normal([20, 3]))
    b = tf.Variable(tf.random_normal([3]))
    return tf.nn.sigmoid(tf.matmul(processing1, w) + b)

input1 = tf.placeholder(tf.float32, [None, 2])
output1 = build_column(input1, 2) # 2-20-3 network

您可以简单地添加更多这样的“列”，并随时合并它们

input1 = tf.placeholder(tf.float32, [None, 2])
output1 = build_column(input1, 2)

input2 = tf.placeholder(tf.float32, [None, 10])
output2 = build_column(input1, 10)

input3 = tf.placeholder(tf.float32, [None, 5])
output3 = build_column(input1, 5)


whole_model = output1 + output2 + output3 # since they are all the same size

您将获得如下网络：

 2-20-3\
        \
10-20-3--SUM (dimension-wise)
        /
 5-20-3/

或者进行单值输出

w1 = tf.Variable(tf.random_normal([3, 1]))
w2 = tf.Variable(tf.random_normal([3, 1]))
w3 = tf.Variable(tf.random_normal([3, 1]))

whole_model = tf.matmul(output1, w1) + tf.matmul(output2, w2) + tf.matmul(output3, w3)

得到

 2-20-3\
        \
10-20-3--1---
        /
 5-20-3/

---

谢谢Lejlot！还有一个问题：上面的build_column（）没有被重用，对吗？如果我们想对两个图像输入使用相同的build_column（）参数，然后对输出使用concat，该怎么办？