python – 如何在Keras中训练网络以获得不同的输出大小

我有使用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成功训练网络,该数据是具有两个元素的向量.它代表一个坐标(x,y).所以在一个数组中,out是一个数组.

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,我希望坐标矢量作为输出,而不需要事先知道坐标的数量.

网络是由创建的

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

和模型摘要显示每个图层的输出尺寸

_________________________________________________________________
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作为其大小.如何修改网络以便它可以训练并输出向量矢量(坐标列表)？

解决方法:

一个rnn不是你想要的预测坐标.相反,我建议使用预测坐标和相关置信度的模型.因此,对于模型中的每个前向传递,您将有100个坐标预测.这些预测中的每一个都将具有另一个相关联的预测,以确定它是否正确.只有高于某个置信度阈值的预测才会计算在内.该置信度阈值允许模型每次选择它想要使用的点数(最大数量由输出数量设置,在此示例中为100).

r-cnn就是这样做的模型.这是我在github https://github.com/yhenon/keras-frcnn上找到的第一个keras实现.