连接 conv net 的两个输出答案

【问题标题】：concatenating two outputs of conv net连接 conv net 的两个输出
【发布时间】：2023-03-10 07:36:01
【问题描述】：

我正在使用 CNN 构建具有定位功能的图像分类器。

我的 CNN 有图像作为输入，但是在最后一个 CONV 层之后，我想将其分成两部分，一部分用于图像分类，下一部分用于图像定位。不用说一部分应该使用均方误差，另一部分应该使用二进制 binary_crossentropy。我的结构是这样的：

input_image = Input(shape=(IMG_W, IMG_H, 3))

# Layer 1
x = Conv2D(32, (3,3), strides=(1,1), padding='same', name='conv_1', use_bias=False)(input_image)
x = BatchNormalization(name='norm_1')(x)
x = LeakyReLU(alpha=0.1)(x)


# Layer 2
x = Conv2D(64, (3,3), strides=(1,1), padding='same', name='conv_2', use_bias=False)(x)
x = BatchNormalization(name='norm_2')(x)
x = LeakyReLU(alpha=0.1)(x)

现在我想把它分成两个密集（FC）层

   class_layer = x
   class_layer = Dense(256,activation="relu")(class_layer)
   class_layer = Dense(2,activation="softmax")(class_layer)
   model_one = Model(input_image,class_layer)
  model_one.compile(loss="binary_crossentrophy", optimizer=keras.optimizers.Adam(),metrics=['accuracy'])

图像定位层

     x = Dense(1024,activation="relu")(x)
     x = Dense(256,activation="relu")(x)
     x = Dense(4,activation="relu")(x)
     model = Model(input_image,x)
model.compile(loss="mean_squared_error", optimizer=keras.optimizers.Adam(),metrics=['accuracy'])

但是，我如何连接图层，使结果向量为 (2 + 4)？我什至可以实现这样的分裂吗？

我知道model.concatenate 但是这应该在编译之前调用，所以每个部分不会有不同的损失函数

感谢您的帮助和回答

【问题讨论】：

标签： python machine-learning neural-network keras conv-neural-network

【解决方案1】：

您可以使用多个输出初始化模型，并为每个输出指定损失。如果您希望 model_one 的损失具有权重 a，而模型的损失具有权重 b，那么您的总损失看起来像 a*mse + b*binary_ce，那么您将有类似

model = Model(input_image, [x, class_layer])
model.compile(loss=['mean_squared_error', 'binary_crossentropy'],
              loss_weights=[a, b],
              optimizer=keras.optimizers.Adam())

有关更多详细信息，请参阅 Model.compile 文档中的 loss 和 loss_weights 参数https://keras.io/models/model/。

【讨论】：