Мой обучающий набор - это набор изображений (либо 3 канала, либо 1 из c, я использую только один тип канала). И метки представляют собой последовательность точек в определенном c порядке, который я хочу предсказать по изображениям.
Я использую модель, вдохновленную примером подписи к изображениям на веб-сайте tenorflow. Это тот же подход, который используется в данной статье https://arxiv.org/pdf/1901.03781.pdf
class CNN_Encoder(tf.keras.Model):
# Since you have already extracted the features and dumped it using pickle
# This encoder passes those features through a Fully connected layer
def __init__(self, embedding_dim):
super(CNN_Encoder, self).__init__()
self.fc = tf.keras.layers.Dense(embedding_dim)
def call(self, x):
x = self.fc(x)
x = tf.nn.relu(x)
return x
class RNN_Decoder(tf.keras.Model):
def __init__(self, embedding_dim, units, output_dim):
super(RNN_Decoder, self).__init__()
self.units = units
self.gru = tf.keras.layers.GRU(self.units,
return_sequences=True,
return_state=True,
recurrent_initializer='glorot_uniform')
self.fc1 = tf.keras.layers.Dense(self.units)
self.fc2 = tf.keras.layers.Dense(output_dim)
def call(self, x, features, hidden):
x = tf.concat((features, x), axis=-1)
output, state = self.gru(x)
x = self.fc1(state)
x = self.fc2(x)
return x
def reset_state(self, batch_size):
return tf.zeros((batch_size, self.units))
@tf.function
def train_step(img_tensor, target):
loss = 0
hidden = decoder.reset_state(batch_size=target.shape[0])
dec_input = tf.expand_dims([[0., 0.]] * target.shape[0], 1)
with tf.GradientTape() as tape:
features = encoder(img_tensor)
for i in (range(1, target.shape[1])):
predictions = decoder(dec_input, features, hidden)
loss += loss_function(target[:, i], predictions)
# using teacher forcing
dec_input = tf.expand_dims(target[:, i], 1)
total_loss = (loss / int(target.shape[1]))
trainable_variables = encoder.trainable_variables + decoder.trainable_variables
gradients = tape.gradient(loss, trainable_variables)
optimizer.apply_gradients(zip(gradients, trainable_variables))
return loss, total_loss
EPOCHS = 20
batch_size = 8
for epoch in tqdm(range(start_epoch, EPOCHS)):
start = time.time()
total_loss = 0
for (batch, (img_tensor, target)) in enumerate((data_generator(preds_t, labels_t))):
img_tensor = img_tensor.reshape((-1, 1, 128*128))
batch_loss, t_loss = train_step(img_tensor, target)
total_loss += t_loss
if batch % 100 == 0:
print ('Epoch {} Batch {} Loss {:.4f}'.format(
epoch + 1, batch, batch_loss.numpy() / int(target.shape[1])))
if batch == 10000:
break
# storing the epoch end loss value to plot later
#loss_plot.append(total_loss / num_steps)
if epoch % 5 == 0:
ckpt_manager.save()
print ('Epoch {} Loss {:.6f}'.format(epoch + 1,
total_loss/num_steps))
print ('Time taken for 1 epoch {} sec\n'.format(time.time() - start))
для вектора функций. Я извлекаю последний слой unet. Таким образом, каждое изображение имеет размер 1x128x128. Я изменил его на 1x1x128 * 128. Затем я прохожу через полностью связанный слой. Затем форма становится 1x1x256
Мои метки, которые я хочу предсказать, являются координатами изображения, поэтому (x, y). Входными данными для слоя gru являются конкатенированные 1x1x256, 1x1x2 (координаты t-1). Который я затем прохожу через 2-слойный слой f c с выходным размером 2 для 2 координат. Я убрал внимание, чтобы получить более простую модель. Нормализирую свои изображения. Я дополняю координатные последовательности 0,0 для начала -1, -1 для конца и -2, -2 для обычного заполнения, чтобы получить одинаковую длину последовательности 350x2.
Сеть, похоже, не многому научилась. Я просто получаю несколько точек, разбросанных по диагонали по изображению. Самая большая разница, которую я вижу с моделью подписи к изображениям, заключается в том, что слова можно преобразовать во вложения, а затем у вас есть 128 функций изображения, 128 функций слов, которые объединяются и передаются в lstm. В моем случае информация о последовательности - это всего одна запись. Может быть, это причина того, что сеть мало учится.
Было бы здорово, если бы у кого-то было какое-то представление о том, что мне следует изменить