在神经网络中的卷积层之后添加新输入？
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
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
-
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