当前位置: 首页 > 知识库问答 >
问题:

在神经网络中的卷积层之后添加新输入?

通学真
2023-03-14

我正在强化学习训练无人机的自主导航。由于模拟环境和CNN:AlexNet,支持的问题是基于摄像头的自主导航。我想添加另外两个输入来优化导航:无人机的位置/方向和以3D矩阵形式移动的体积单位。神经网络的目的是预测无人机的下一步行动。

我想在卷积层之后添加这两个新输入,但我不知道如何集成它们。我打算展平3D矩阵,并在完全连接的层之前将其与位置/方向一起添加,但我不知道这是否是正确的方法。

整合这两种新输入的最佳网络是什么?

共有1个答案

宋明亮
2023-03-14

您可能希望通过在展平后将新输入连接到层来注入新输入。

我建议您检查stackoverflow链接:如何在keras中连接两个层?

举例说明

 类似资料:
  • 我正在构建一个卷积神经网络,它将包含一定数量的卷积和池层。问题是,我想在特征提取步骤(卷积池)之后添加一些额外的输入。 这个额外的输入将被添加到扁平化的特征映射(全连接层的第一层)。我想问一下是否有任何留档来实现这个,在tenorflow或(如果我幸运的话)在keras中。提前谢谢你,祝你愉快。

  • 注意: 本教程适用于对Tensorflow有丰富经验的用户,并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题,其任务是对一组大小为32x32的RGB图像进行分类,这些图像涵盖了10个类别: 飞机, 汽车, 鸟, 猫, 鹿, 狗, 青蛙, 马, 船以及卡车。 想了解更多信息请参考CIFAR-10 page,以及Alex Kriz

  • 卷积神经网络(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成,同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网络

  • 我正在开发一种卷积神经网络用于图像分类或更好的车牌分类。这些车牌最多包含8个字符,每个字符可以包含37个字符(A-Z、0-9和空格)。我现在想知道如何设计网络中的最后两层。我认为,最后一个必须是具有37个概率的softmax层。这应该完全连接到一个(?)神经元在前一层?我想,在前一层我们需要8个神经元,因为之前的车牌上有8个字符,但我不确定。在此层之前,我添加了一些卷积层和maxPooling层。

  • 是否有方法按层(而不是端到端)训练卷积神经网络,以了解每一层对最终架构性能的贡献?

  • 在了解了机器学习概念之后,现在可以将注意力转移到深度学习概念上。深度学习是机器学习的一个分支。深度学习实现的示例包括图像识别和语音识别等应用。 以下是两种重要的深度神经网络 - 卷积神经网络 递归神经网络 在本章中,我们将重点介绍CNN - 卷积神经网络。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。CNN与其他普通神经网络之间的主要区别在于