Реализация позднего слияния в Керасе - PullRequest
Новая
       9

Реализация позднего слияния в Керасе

1 голос
/ 13 июля 2020

Я работаю над мультимодальным классификатором с изображениями и текстом. Я разработал и успешно разработал две модели: одна - это CNN для изображений, а другая - модель на основе BERT для текста. Последний слой обеих моделей - это Dense с n юнитами и softmax активацией (где n - количество классов). Keras предоставляет разные слои слияния для объединения выходных векторов этих моделей (https://keras.io/api/layers/merging_layers/), а затем можно создать новую сеть, но мой вопрос: есть ли лучший способ объединить решения одиночные модели? Может быть, взвешивать значения внутри векторов по какому-то критерию? В настоящее время я разработал свою модель с простым слоем конкатенации вроде этого: 

image_side = images_model(image_input)
text_side = text_model(text_input)
# Concatenation
merged = layers.Concatenate(name='Concatenation')([image_side, text_side])
merged = layers.Dense(128, activation = 'relu', name='Dense_128')(merged)
merged = layers.Dropout(0.2)(merged)
output = layers.Dense(nClasses, activation='softmax', name = "class")(merged)

Заранее спасибо!

1 Ответ

2 голосов
/ 13 июля 2020

здесь есть возможность реализовать средневзвешенное значение между двумя тензорами (выходами модели), где вес может быть изучен автоматически. Я также ввожу ограничение, согласно которому веса должны в сумме равняться 1. Чтобы обеспечить это, мы должны просто применить softmax к нашим весам. В приведенном ниже фиктивном примере я объединяю с этим методом вывод двух полностью связанных ветвей, но вы можете управлять им в любом другом сценарии

здесь настраиваемый уровень: 

class WeightedAverage(Layer):

    def __init__(self, n_output):
        super(WeightedAverage, self).__init__()
        self.W = tf.Variable(initial_value=tf.random.uniform(shape=[1,1,n_output], minval=0, maxval=1),
            trainable=True) # (1,1,n_inputs)

    def call(self, inputs):

        # inputs is a list of tensor of shape [(n_batch, n_feat), ..., (n_batch, n_feat)]
        # expand last dim of each input passed [(n_batch, n_feat, 1), ..., (n_batch, n_feat, 1)]
        inputs = [tf.expand_dims(i, -1) for i in inputs]
        inputs = Concatenate(axis=-1)(inputs) # (n_batch, n_feat, n_inputs)
        weights = tf.nn.softmax(self.W, axis=-1) # (1,1,n_inputs)
        # weights sum up to one on last dim

        return tf.reduce_sum(weights*inputs, axis=-1) # (n_batch, n_feat)

здесь полный пример в задаче регрессии: 

inp1 = Input((100,))
inp2 = Input((100,))
x1 = Dense(32, activation='relu')(inp1)
x2 = Dense(32, activation='relu')(inp2)
x = [x1,x2]
W_Avg = WeightedAverage(n_output=len(x))(x)
out = Dense(1)(W_Avg)

m = Model([inp1,inp2], out)
m.compile('adam','mse')

n_sample = 1000
X1 = np.random.uniform(0,1, (n_sample,100))
X2 = np.random.uniform(0,1, (n_sample,100))
y = np.random.uniform(0,1, (n_sample,1))

m.fit([X1,X2], y, epochs=10)

в конце, вы также можете визуализировать значение весов следующим образом: 

tf.nn.softmax(m.get_weights()[-3]).numpy()

ссылка и другие примеры: https://towardsdatascience.com/neural-networks-ensemble-33f33bea7df3

...