离散值Keras Conv3D层

Question

我正试图建立一个模型来学习3D空间的特征。与图像处理不同，3D矩阵的值是不连续的；它们表示在特定坐标下可以找到的“物质”的一些离散值(例如，grass值为1或楼梯值为2)。

是否有可能训练一个模型来学习空间的特征而不插入中间值？例如，我不想让神经网络推断1.5是某种草阶。

Answer 1

您将需要使用一个热编码，它将分类值表示为一个值设置为一个的零数组。这意味着草(id = 1)为[0, 1, 0, 0, ...]，楼梯(id = 2)为[0, 0, 1, 0, ...]。要执行一次热编码，请查看keras的to_categorical函数。

进一步读：

• 单热编码教程
• to_categorical
• 使用嵌入层的一次性热启动。

Answer 2

作为任何范畴模型，这应该是一个“一个热点”的数据。

数据的“通道”维度应该有一个n-materials大小。

• 值=0表示没有这种物质存在。
• 值=1表示存在这种物质

因此，您的输入形状将类似于(samples, spatial1, spatial2, spatial3, materials)。如果您的数据当前形状为(samples, s1, s2, s3)，并且像您所描述的那样将物质转换为整数，则可以使用to_categorical将整数转换为“单热”。

Answer 3

虽然我不确定这是否是你想要的，但我可以想象，在卷积网络的瓶颈之后，一个人通常会使用扁平层，然后输出到一个密集的层。输出层，如果使用sigmoid激活，将给您的每个类的概率，必须是一个热编码，正如其他人所建议的。

如果您希望网络本身的输出在离散值中，我想您可以在输出层中使用某种逐步激活函数。但是，您必须注意您的损失在整个网络中仍然是可区分的(这就是为什么这种激活功能在keras中不可用)。这可能令人感兴趣：https://github.com/keras-team/keras/issues/7370