keras TimeDistributed 描述

在用ConvLSTM2D处理图像数据时，通常先将图像经过Conv2D的操作，然后把卷积结果输入到LSTM中。这个过程需要经历的过程是：（1）把shape=[n,h,w,c]的数据输入到Conv2D的卷积层中，得到卷积结果。（2）把卷积结果通过split变形成shape = [n,d,h,w,c]形式。（3）把shape=[n,d,h,w,c]形式的数据输入到LSTM中。的每个step中，这个过程很繁琐。在keras中，用TimeDistributed简化了这一过程。示例如下：

import tensorflow.compat.v1 as tf
from keras.layers import ConvLSTM2D,TimeDistributed,Conv2D
import numpy as npinputs_np = tf.convert_to_tensor(np.random.random((4,6,256,256,3)).astype(np.float32))  # shape = [5,6,10,10,3]# inputs = tf.concat([inputs_np[:,i,...] for i in range(6)],axis=0)
# conv1 = Conv2D(filters=10,kernel_size=(3,3),strides=(1,1))(inputs)
# conv1 =tf.concat([tf.expand_dims(v,axis=1) for v in tf.split(conv1,num_or_size_splits=6)],axis=1)
conv1 = TimeDistributed(Conv2D(filters=10,kernel_size=(3,3),strides=(1,1)),input_shape=(6,256,256,3))(inputs_np)lstm_out= ConvLSTM2D(filters=1,kernel_size=(3,3),strides=(1,1),padding='valid',activation='tanh',return_sequences=True)(conv1)with tf.Session() as sess:sess.run(tf.global_variables_initializer())lstm_out_ = sess.run(lstm_out)print(lstm_out_.shape)

程序中，用TimeDistributed计算conv1的过程等价于注释行的计算过程。

注意：在TimeDistributed的参数中，input_shape=[time_steps,h,w,c]：

（1）不包含batch维度，

（2）第一个维度是clip_len, 或者LSTM的长度

（3）TimeDistributed 的操作对象只能是keras的一个layer对象，不能是自定义的函数

（4）TimeDistributed也是keras的一个层（layer）对象。

（5）用TimeDistributed封装了一个layer之后，模型的默认变量名发生了变化，但是没有新增变量。

如下例，当用TimeDistributed封装了一个Conv2d之后，模型的默认变量名由 “conv2d/kernel:0”变成了“time_distributed/kernel:0”。

（6）针对默认变量名的变化，可以使用“name=”的layer参数进行纠正。如下例中的“NEW1”中的操作。

import tensorflow.compat.v1 as tf
from tensorflow.keras.layers import ConvLSTM2D, TimeDistributed, Conv2D
import numpy as npinputs_np = tf.convert_to_tensor(np.random.random((4, 6, 256, 256, 3)).astype(np.float32))  # shape = [5,6,10,10,3]
with tf.variable_scope("RAW"):inputs = tf.concat([inputs_np[:,i,...] for i in range(6)],axis=0)conv1 = Conv2D(filters=10,kernel_size=(3,3),strides=(1,1))(inputs)conv1 =tf.concat([tf.expand_dims(v,axis=1) for v in tf.split(conv1,num_or_size_splits=6)],axis=1)
with tf.variable_scope("NEW"):conv2 = TimeDistributed(Conv2D(filters=10, kernel_size=(3, 3), strides=(1, 1)), input_shape=(6, 256, 256, 3))(inputs_np)
with tf.variable_scope("NEW1"):conv3 = TimeDistributed(Conv2D(filters=10, kernel_size=(3, 3), strides=(1, 1)), input_shape=(6, 256, 256, 3),name="conv2d")(inputs_np)lstm_out = ConvLSTM2D(filters=1, kernel_size=(3, 3), strides=(1, 1), padding='valid', activation='tanh',return_sequences=True)(conv1)all_vars = tf.global_variables()
for var in all_vars:print(var.name)
"""
打印结果：
RAW/conv2d/kernel:0
RAW/conv2d/bias:0
NEW/time_distributed/kernel:0
NEW/time_distributed/bias:0
NEW1/conv2d/kernel:0
NEW1/conv2d/bias:0
conv_lst_m2d/kernel:0
conv_lst_m2d/recurrent_kernel:0
conv_lst_m2d/bias:0
"""

keras TimeDistributed 描述相关推荐

tensorflow.keras lstm 部分参数整理units input_size
参考博客: (11条消息) 关于LSTM的units参数_LeoRainy的博客-CSDN博客_lstm units怎么设置 Keras LSTM的参数input_shape, units等的理解_y ...
最通俗易懂的YOLOv3原理及代码解析
YOLO是一种端到端的目标检测模型.YOLO算法的基本思想是:首先通过特征提取网络提取输入特征,得到特定大小的特征图输出.输入图像分成13×13的网格单元,接着如果真实框中某个对象的中心坐标落在某个网 ...
yolo系列之yolo v3【深度解析】——讲的挺好，原作者厉害的
版权申明:转载和引用图片,都必须经过书面同意.获得留言同意即可本文使用图片多为本人所画,需要高清图片可以留言联系我,先点赞后取图这篇博文比较推荐的yolo v3代码是qwe的keras版本,复现比 ...
YOLOv3原理及代码解析
博主完整翻译了YOLOV1和YOLOV3的论文:请移步查看: YOLOV1:https://blog.csdn.net/taifengzikai/article/details/81988891 YO ...
keras训练完以后怎么预测_使用Keras建立Wide Deep神经网络，通过描述预测葡萄酒价格...
你能通过"优雅的单宁香"."成熟的黑醋栗香气"或"浓郁的酒香"这样的描述,预测葡萄酒的价格吗?事实证明,机器学习模型可以. 在这篇文章中,我 ...
keras 中的keras.preprocessing、Embedding、GlobalMaxPooling1D()、 TimeDistributed
本文以短问答为背景,串联几个keras下常用的函数 0:keras.preprocessing 该模块是对数据的预处理模块 https://blog.csdn.net/winter_python/ar ...
TensorFlow tf.keras.layers.TimeDistributed
对时间序列每个timestamp的向量空间做一个层 # as the first layer in a model model = Sequential() model.add(TimeDistrib ...
Keras:基于Theano和TensorFlow的深度学习库
原文链接:https://www.cnblogs.com/littlehann/p/6442161.html catalogue 引言一些基本概念 Sequential模型泛型模型常用层卷积层 ...
深度学习(莫烦神经网络 lecture 3） Keras
神经网络 & Keras 目录神经网络 & Keras 目录 1.Keras简介 1.1 科普: 人工神经网络 VS 生物神经网络 1.2 什么是神经网络 (Neural Netwo ...

keras TimeDistributed 描述

keras TimeDistributed 描述相关推荐

最新文章

热门文章