tflearn/Tensorfluss | Multistream-/Multiskalen-/Ensemble-Modelldefinition

Question

Ich versuche, ein Multi-Stream-Modell mit tflearn zu definieren, so dass es zwei Kopien der gleichen Architektur gibt (oder Sie können es sich als Ensemble-Modell vorstellen), die ich mit anderen füttere Ernten des gleichen Bildes, aber nicht sicher, wie ich gehen und das mit tflearn umsetzen würde.

Ich habe im Grunde diese Daten:

X_train1, X_test1, y_train1, y_test1 : Dataset 1 (16images x 299 x 299px x 3ch) 
X_train2, X_test2, y_train2, y_test2 : Dataset 2 (16images x 299 x 299px x 3ch) 

Und ich habe dies bisher auf der Grundlage der logical.pyexample (vereinfachte Code) erstellt: durch Verketten

netIn1 = tflearn.input_data(shape=[None, 299, 299, 3]  
net1 = tflearn.conv_2d(netIn1, 16, 3, regularizer='L2', weight_decay=0.0001) 
... 
net1 = tflearn.fully_connected(net1, nbClasses, activation='sigmoid') 
net1 = tflearn.regression(net1, optimizer=adam, loss='binary_crossentropy') 

netIn2 = tflearn.input_data(shape=[None, 299, 299, 3]  
net2 = tflearn.conv_2d(netIn2, 16, 3, regularizer='L2', weight_decay=0.0001) 
... 
net2 = tflearn.fully_connected(net2, nbClasses, activation='sigmoid') 
net2 = tflearn.regression(net2, optimizer=adam, loss='binary_crossentropy') 

Und dann verschmelzen die beiden Netzwerke:

net = tflearn.merge([net1, net2], mode = 'concat', axis = 1) 

Und fangen Sie an, wie folgt zu trainieren:

# Training 
model = tflearn.DNN(net, checkpoint_path='model', 
       max_checkpoints=10, tensorboard_verbose=3, 
       clip_gradients=0.) 

model.fit([X1,X2], [Y1,Y2], validation_set=([testX1, testX2], [testY1,testY2])) 

Also jetzt ist mein Problem, wie parse ich die Eingänge am Anfang des Netzwerks? Wie teile ich die X1 zu Net1 und X2 zu Net2?

Answer 1

Sie müssen X1 und X2 nicht teilen, sie werden automatisch Ihren Eingabe-Ebenen netIn1 und netIn2 zugewiesen (in der Reihenfolge, in der Sie sie definieren).