分佈在可變大小的輸入

如果有一個基位圖小號和一組可能的位圖sucessor S1 ，...，SN ，如何可以訓練TensorFlow圖表來計算在這些sucessors的概率分佈？分佈在可變大小的輸入

每個位圖sK可以被同一個網絡處理爲一個單一的輸入，以給出表示它的可能性的實際值，然後可以通過softmax層映射到該值以給出概率分佈。

但是，手動執行此操作不允許使用反向傳播和實現的優化器，甚至不保證它會接受可變長度的輸入和輸出。

這甚至可能嗎？輸入和輸出張量似乎必須在批次維度上具有固定大小的appart。

2016-08-21 servabat

如果我理解正確的話，你有一個基地位小號並考慮到要序列S1的經銷模式，S2，...，SN。

這可以使用序列標籤RNN模型，要序列S1的概率分佈模型，S2，...，SN來實現。但要在s上調節，可以將s的特徵向量連接到序列中的每個輸入。因此，在時間步長噸，輸入矢量到RNN將特徵矢量的級聯爲S_T和小號和SOFTMAX後，預期的輸出應爲S_T + 1（即，損失應是這樣的，例如可以使用交叉熵損失）。

可變長度序列可以很好地使用。 Tensorflow總是儘可能多的佔位符的維度爲無，即在運行圖形期間具有可變大小。因此，隨着變量批量大小，您可以擁有可變長度的序列。

來源

2016-08-21 10:11:00

好吧，爲了更好地解釋它，我有一個位圖s和s1，...，sN是一個期望輸出的可變長度序列（其中N對於每個輸入都是可變的）。訓練和測試集包含這些輸入以及一個正確的輸出s *，這是預期的輸出之一。 – servabat

此外，我想使用卷積圖層，因爲輸入基本上是圖像。 – servabat

我認爲在每個位圖上應用相同的convnet，然後在連接的輸出上應用softmax會得到相關的結果，但我不確定它會允許使用tensorflow的優化器。 RNN會在這裏相關嗎？它可以與conv層一起使用嗎？ – servabat

分佈在可變大小的輸入

回答

相關問題