具有复杂功能和标签的tensorflow CNN?
我最近发现了一篇论文,他们使用CNN和复杂的2D特征图作为输入。然而,该网络也输出一个复杂的输出向量。他们使用Keras和tensorflow后端 以下是链接: 我问自己是否有可能用tensorflow构建复杂的深层神经网络,比如CNN。据我所知,这是不可能的。我错过什么了吗 还有其他相关问题解决了同样的问题,但没有答案: 当构建一个真实的无意义模型时,输入实数并输出所有正确的结果:具有复杂功能和标签的tensorflow CNN?,tensorflow,complex-numbers,Tensorflow,Complex Numbers,我最近发现了一篇论文,他们使用CNN和复杂的2D特征图作为输入。然而,该网络也输出一个复杂的输出向量。他们使用Keras和tensorflow后端 以下是链接: 我问自己是否有可能用tensorflow构建复杂的深层神经网络,比如CNN。据我所知,这是不可能的。我错过什么了吗 还有其他相关问题解决了同样的问题,但没有答案: 当构建一个真实的无意义模型时,输入实数并输出所有正确的结果: import tensorflow as tf from numpy import random, empty
import tensorflow as tf
from numpy import random, empty
n = 10
feature_vec_real = random.rand(1,n)
X_real = tf.placeholder(tf.float64,feature_vec_real.shape)
def model(x):
out = tf.layers.dense(
inputs=x,
units=2
)
return out
model_output = model(X_real)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
output = sess.run(model_output,feed_dict={X_real:feature_vec_real})
但在使用复杂输入时:
import tensorflow as tf
from numpy import random, empty
n = 10
feature_vec_complex = empty(shape=(1,n),dtype=complex)
feature_vec_complex.real = random.rand(1,n)
feature_vec_complex.imag = random.rand(1,n)
X_complex = tf.placeholder(tf.complex128,feature_vec_complex.shape)
def complex_model(x):
out = tf.layers.dense(
inputs=x,
units=2
)
return out
model_output = complex_model(X_complex)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
output = sess.run(model_output,feed_dict={X_complex:feature_vec_complex})
我得到以下错误:
ValueError:需要的变量稠密_7/内核的初始值设定项
那么,当有复杂的输入时,初始化密集内核权重的正确方法是什么呢
我知道有可能将复数作为网络中的两个不同层来处理。但这不是我想要的
谢谢你的帮助 @user9290285另一篇帖子终于有了答案,仅供参考: