Nano Hash - криптовалюты, майнинг, программирование

Tensorflow: как обрабатывать несколько входных данных

Я хочу создать сверточную нейронную сеть в тензорном потоке, которая принимает изображения в качестве входных данных для первых слоев свертки и распространяет данные из них через сеть. В точке, где последний слой пула сглажен, я хочу либо добавить дополнительные входные данные туда, либо непосредственно в полносвязный слой.

Примечание. Для каждого входного изображения обучающих данных существует дополнительный набор числовых значений, уникальных для изображения.

Может ли кто-нибудь предоставить некоторую информацию о том, как реализовать это в тензорном потоке, пожалуйста?

machine-learning tensorflow deep-learning classification convolution
03.03.2018

Ответы:


1

Вы можете просто объявить входную переменную и использовать ее где угодно. Он не обязательно должен быть на первом слое.

#A,B are placeholders let's say
last_layer = forward(A) # forward function computes to the last layer
output = transform(last_layer,B)

Если вы добавите конкретный код в question. Я могу помочь больше.

03.03.2018
  • Большое тебе спасибо. Я вернусь к вам, как только попробую. Извините за задержку 08.03.2018
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..