Я работаю над обучением различных моделей для различной оценки проблем позы человека. на самом деле мне нужно получить разные результаты регрессионной модели для разных суставов человеческого тела. После того, как я провел поиск этой проблемы, я пришел к выводу, что у меня есть два пути:
- обучение различных моделей и объединение их конечных результатов.
- тренировочные модели в виде цепочки. (Вход второй модели является выходом первой модели и...)
Я знаю, что в Keras есть функция concatenate, которая представляет собой такой слой для объединения двух выходных данных моделей. Но если я не хочу использовать Keras, возможно ли иметь 6 моделей, а затем объединить их таким образом, чтобы окончательная обученная модель могла сразу оценить все выходные данные этих разных моделей?
мои модели примерно такие (они разные в зависимости от разных наборов данных, которые у меня есть):
## conv1 layer
W_conv1 = weight_func([3, 3, 1, 32])
b_conv1 = bias_func([32])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
# h_pool1 = max_pool_2x2(h_conv1)
#h_drop1 = tf.nn.dropout(h_conv1, keep_prob)
## conv2 layer
W_conv2 = weight_func([3, 3, 32, 64]) # patch 2x2, in size 32, out size 64
b_conv2 = bias_func([64])
h_conv2 = tf.nn.relu(conv2d(h_conv1, W_conv2) + b_conv2)
#h_drop2 = tf.nn.dropout(h_conv2, keep_prob)
## conv3 layer
W_conv3 = weight_func([3, 3, 64, 128])
b_conv3 = bias_func([128])
h_conv3 = tf.nn.relu(conv2d(h_conv2, W_conv3) + b_conv3)
#h_drop3 = tf.nn.dropout(h_conv3, keep_prob)
## conv4 layer
W_conv4 = weight_func([3, 3, 128,256]) # patch 3*3, in size 32, out size 64
b_conv4 = bias_func([256])
h_conv4 = tf.nn.relu(conv2d(h_conv3, W_conv4) + b_conv4)
#h_drop4 = tf.nn.dropout(h_conv4, keep_prob)
## fc1 layer
W_fc1 = weight_func([6 * 6 * 256, 9216])
b_fc1 = bias_func([9216])
h_pool2_flat = tf.reshape(h_conv4, [-1, 6 * 6 * 256])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# fc2 layer
W_fc2 = weight_func([9216, 1])
b_fc2 = bias_func([1])
prediction = tf.add(tf.matmul(h_fc1_drop, W_fc2) , b_fc2, name= 'output_node')
cross_entropy = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))
