Во-первых, проблема с памятью, чем легче данные о поезде, тем быстрее время прохождения поезда, а также осуществимость (пределы памяти), надеюсь, более надежный вариант, который я мог бы попытаться потренировать.
Мои данные о поездах - это упорядоченная последовательность изображений, в основном видео.Попытка LSTM на CNN как модель;Мне нужно вменять недостающие кадры, чтобы имитировать реальность, насколько это возможно.Знание этого может помочь сети узнать временное расстояние между изображениями.
Я думал, что при заполнении списка изображений вместо этого берется черное изображение с такой же формой.
Чтобы помочьСетевой поезд. Мы можем думать о пропущенных кадрах как об одной и той же константе, если какое-то значение поможет.Таким образом, чем меньше нагрузка, тем быстрее сеть тренируется (особенно в списке из 8000 изображений поездов мой компьютер испытывает трудности с набором распределенных по времени CNN и 4 слоями LSTM).
Процедура заполнения:
black = np.full(shape=(120, 120), dtype= np.uint8 ,fill_value = 0)
for image_path in train_paths:
if(not os.path.isfile(str(image_path))):
train_images.append(black)
co = co + 1
else:
train_images.append(imageio.imread(image_path))
Черное изображение, мне кажется, что это большая потеря, могу я вместо этого ввести другой тензор формы?и позволить слоям CNN во время выполнения предположить, что это отсутствующее значение и пройти мимо?хотя все еще не реализовано, как обсуждено здесь
Другое обсуждение было проведено здесь, предлагая возможность использования разреженных матриц для CNN здесь , но я не уверен, если этоэто то, что мне нужноили если это работает только для определенных обстоятельств.
Любые предложения приветствуются.