我如何修改keras/tensorflow代码以（不）考虑图片中的位置？

我想在RStudio中使用Keras和Tensorflow对图像进行分类

在普通的图像分类模型中，我如何告诉Tensorflow考虑还是不考虑图片中的位置

例如，如果我想让模型说，图片中是否有狗，图片左下角是否有狗

我知道，通常不考虑这一点，例如，我可以偏移图片并对其进行排列，以便模型了解对象可以位于图片中的所有位置

但我怎样才能让它做到这一点呢？要了解功能仅在图片中与在培训中发现的位置相同时才有效

示例代码（一般图像分类）：

型号%
图层退出（速率=标志$dropout1）%
层转换2d（过滤器=标志$conval\u过滤器1，内核大小=c（3,3）
，activation=“relu”，padding=“same”
) %>%
层转换2d（过滤器=标志$conval\u过滤器1，内核大小=c（3,3）
，activation=“relu”
#，padding=“相同”
) %>%
层\u最大\u池\u 2d（池大小=c（2,2））%>%
图层退出（速率=标志$dropout1）%
层转换2d（过滤器=标志$conval\u过滤器2，内核大小=c（3,3）
，activation=“relu”，padding=“same”
) %>%
层转换2d（过滤器=标志$conval\u过滤器2，内核大小=c（3,3）
，activation=“relu”
#，padding=“相同”
) %>%
层\u最大\u池\u 2d（池大小=c（2,2））%>%
图层退出（速率=标志$dropout1）%
层转换2d（过滤器=标志$conval\u过滤器3，内核大小=c（3,3）
，activation=“relu”，padding=“same”
) %>%
层转换2d（过滤器=标志$conval\u过滤器3，内核大小=c（3,3）
，activation=“relu”
#，padding=“相同”
) %>%
层\u最大\u池\u 2d（池大小=c（2,2））%>%
层_展平（）%>%
图层密度（单位=标志$DESTREANCE\U units1）%>%
层激活\u relu（）%>%
图层退出（速率=标志$dropout1）%
图层密度（单位=标志$DESTREANCE\U units1）%>%
层激活\u relu（）%>%
图层退出（速率=标志$dropout1）%
图层密度（单位=标志$DESTREANCE\U units1）%>%
层激活\u relu（）%>%
层密度（单位=2，激活=softmax）
模型%>%编译（损失='binary_crossentropy'，optimizer=“adadelta”，metrics=c（“精度”））
模型%>%fit（data.training，data.trainLabels，epochs=FLAGS$epochs，view\u metrics=FALSE，
验证（分割=0.2，洗牌=TRUE）

您是否参考了链接中提到的对象检测、边界框和锚的概念，

model <- keras_model_sequential() 
model %>%
  layer_dropout(rate = FLAGS$dropout1) %>%
  layer_conv_2d(filters = FLAGS$convol_filters1, kernel_size = c(3,3)
                , activation = "relu", padding = "same"
  ) %>%
  layer_conv_2d(filters = FLAGS$convol_filters1, kernel_size = c(3,3) 
                , activation = "relu"
                #, padding = "same"
  ) %>%
  layer_max_pooling_2d(pool_size = c(2,2)) %>%
  layer_dropout(rate = FLAGS$dropout1) %>%
  layer_conv_2d(filters = FLAGS$convol_filters2, kernel_size = c(3,3)
                , activation = "relu", padding = "same"
  ) %>%
  layer_conv_2d(filters = FLAGS$convol_filters2, kernel_size = c(3,3)
                , activation = "relu"
                #, padding = "same"
  ) %>%
  layer_max_pooling_2d(pool_size = c(2,2)) %>%
layer_dropout(rate = FLAGS$dropout1) %>%
layer_conv_2d(filters = FLAGS$convol_filters3, kernel_size = c(3,3)
              , activation = "relu", padding = "same"
) %>%
layer_conv_2d(filters = FLAGS$convol_filters3, kernel_size = c(3,3)
              , activation = "relu"
              #, padding = "same"
) %>%
layer_max_pooling_2d(pool_size = c(2,2)) %>%
layer_flatten() %>%
layer_dense(units = FLAGS$dense_units1) %>%   
layer_activation_relu() %>%
layer_dropout(rate = FLAGS$dropout1) %>%
layer_dense(units = FLAGS$dense_units1) %>%   
layer_activation_relu() %>%
layer_dropout(rate = FLAGS$dropout1) %>%
layer_dense(units = FLAGS$dense_units1) %>%   
layer_activation_relu() %>%
layer_dense(units = 2, activation = 'softmax')

model %>% compile(loss = 'binary_crossentropy', optimizer = "adadelta", metrics = c("accuracy"))

model %>% fit(data.training, data.trainLabels, epochs = FLAGS$epochs, view_metrics = FALSE,
                         validation_split = 0.2, shuffle = TRUE)