如何在 Keras 中训练网络以适应不同的输出大小

Question

我有用 Keras 创建的基本神经网络。我使用数据向量和相应的输出数据（具有两个元素的向量）成功训练网络。它代表一个坐标（x，y）。所以输入一个数组，输出一个数组。

问题是我无法使用单个输入向量应对应于许多坐标的训练数据。实际上，我希望将坐标向量作为输出，而无需事先了解坐标数量。

网络是由

model = Sequential()
model.add(Dense(20, input_shape=(196608,)))
model.add(Dense(10))
model.add(Dense(2))

模型摘要显示每层的输出维度

_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
dense_1 (Dense)              (None, 20)                3932180
_________________________________________________________________
dense_2 (Dense)              (None, 10)                210
_________________________________________________________________
dense_3 (Dense)              (None, 2)                 22
=================================================================

我意识到网络结构只允许长度为 2 的向量作为输出。密集层也不接受None其尺寸。如何修改网络，以便它可以训练并输出向量向量（坐标列表）？

Answer 1

rnn 不是您想要预测坐标的东西。相反，我建议使用预测坐标和相关置信度的模型。因此，对于模型的每次前向传递，您都会有 100 个坐标预测。这些预测中的每一个都会有另一个相关的预测来确定它是否正确。只有高于特定置信度阈值的预测才有效。该置信度阈值允许模型选择每次要使用多少个点（最大数量由输出数量设置，在本例中为 100）。

r-cnn 就是一个可以做到这一点的模型。这是我在 github https://github.com/yhenon/keras-frcnn上找到的第一个 keras 实现。