是否可以定义一个包含多个输入的TensorFlow图形呢? 例如,我想要给图形两张图片和一段文本,每个输入都会经过一些层和一个全连接层的处理。然后有一个节点计算损失函数,考虑这三种表示的联合损失函数。目标是让这三个网络在考虑联合表示损失的情况下进行反向传播。 这可能吗?有关于它的任何示例/教程吗?
是否可以定义一个包含多个输入的TensorFlow图形呢? 例如,我想要给图形两张图片和一段文本,每个输入都会经过一些层和一个全连接层的处理。然后有一个节点计算损失函数,考虑这三种表示的联合损失函数。目标是让这三个网络在考虑联合表示损失的情况下进行反向传播。 这可能吗?有关于它的任何示例/教程吗?
这是非常简单明了的事情。对于“一个输入”,您可能会有类似以下内容:
def build_column(x, input_size):
w = tf.Variable(tf.random_normal([input_size, 20]))
b = tf.Variable(tf.random_normal([20]))
processing1 = tf.nn.sigmoid(tf.matmul(x, w) + b)
w = tf.Variable(tf.random_normal([20, 3]))
b = tf.Variable(tf.random_normal([3]))
return tf.nn.sigmoid(tf.matmul(processing1, w) + b)
input1 = tf.placeholder(tf.float32, [None, 2])
output1 = build_column(input1, 2) # 2-20-3 network
你可以随时添加更多类似的“列”,并合并它们。
input1 = tf.placeholder(tf.float32, [None, 2])
output1 = build_column(input1, 2)
input2 = tf.placeholder(tf.float32, [None, 10])
output2 = build_column(input1, 10)
input3 = tf.placeholder(tf.float32, [None, 5])
output3 = build_column(input1, 5)
whole_model = output1 + output2 + output3 # since they are all the same size
然后您将获得类似于以下的网络:
2-20-3\
\
10-20-3--SUM (dimension-wise)
/
5-20-3/
或者使输出为单个值
w1 = tf.Variable(tf.random_normal([3, 1]))
w2 = tf.Variable(tf.random_normal([3, 1]))
w3 = tf.Variable(tf.random_normal([3, 1]))
whole_model = tf.matmul(output1, w1) + tf.matmul(output2, w2) + tf.matmul(output3, w3)
获取
2-20-3\
\
10-20-3--1---
/
5-20-3/