做深度學(xué)習(xí)這么久了蔼两，好像還沒有隨筆記過很多東西甩鳄，隨著年齡的增長，沒辦法额划，記憶力越來越不行了妙啃，只能隨筆筆記一下一下了，也順便把實(shí)際的經(jīng)驗(yàn)分享出去俊戳，幫助到更多的人撒揖赴，當(dāng)然了，我也希望有人跟我一起探討．．．．
今天分享什么呢抑胎？算了燥滑，一個小問題把，關(guān)于深學(xué)框架keras網(wǎng)絡(luò)層的一個應(yīng)用阿逃，好了好了铭拧，不廢話了．．
我們在做一些圖像分割的時候赃蛛，可能會需要把圖像的不同的通道分別處理，這時候就需要把網(wǎng)絡(luò)層中的某些通道進(jìn)行拆分搀菩，但是keras并沒有提供類似`tf.split`這樣的方法呕臂，反而我們只能看到一個`keras.layers.merge`這樣一個合并層，那么我們怎樣使用keras進(jìn)行拆分呢肪跋？很簡單歧蒋，借助`keras.layers.core.Lambda`實(shí)現(xiàn)
keras在層中間其實(shí)都是張量進(jìn)行傳遞，那么張量是可以像數(shù)組一樣進(jìn)行切片的州既，知道這一點(diǎn)就好操作了谜洽，不好意思，又扯了一大堆廢話吴叶，直接上代碼比較實(shí)在
下面以Unet分割網(wǎng)絡(luò)舉例褥琐，通過Unet預(yù)測圖像的mask區(qū)域以及圖像類別，比如晤郑，我們的實(shí)際情景是：先預(yù)測mask區(qū)域，然后再預(yù)測mask區(qū)域的類別贸宏，這時候我們可以通過Unet一步到位造寝，而不用處理2個模型，具體步驟如下:
1.定義數(shù)據(jù)的label.這里的label不像做圖像分類的時候那樣吭练，單純的定義一個0或者1,然后轉(zhuǎn)換為one-hot編碼诫龙，因?yàn)閁net是每個像素級別的分類，所以我們需要為每個像素都定義一個label,換句話說鲫咽，mask區(qū)域有多大签赃，label就有多大,所以第一步是定義一個和mask原圖一樣大的label數(shù)組
2.得到mask區(qū)域的label.把mask數(shù)組* label數(shù)組即可(前提是mask必須是0或1的二值圖)
3.把1和2得到的兩個數(shù)組填充在一個數(shù)組里面，返回作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的標(biāo)簽
4. 修改Unet網(wǎng)絡(luò)結(jié)構(gòu)
代碼如下:??
mask_label = np.zeros((self.target_size[0], self.target_size[1], 2))
new_label = np.multiply(mask, mask_label[:, :, 1])? ?# 求mask區(qū)域的label
mask_label[:, :, 0] = mask # 第0通道表示mask區(qū)域
mask_label[:, :, 1] = new_label? # 第1通道表示mask區(qū)域的label? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??
Unet網(wǎng)絡(luò)修改如下:
def slices(x, index):?
? ? ? return x[:, :, :, index:index+1]
...
de_out = Conv2D(filters=target_channels, kernel_size=(3, 3), padding='same', strides=(1, 1))(de_8)? # 這層是Unet的倒數(shù)第二層分尸，其它層根據(jù)自己實(shí)際情況構(gòu)建把
x1 = keras.layers.core.Lambda(slices, arguments={"index": 0}, name="mask")(de_out)? # 拆分網(wǎng)絡(luò)層得到第0通道
x2 = keras.layers.core.Lambda(slices, arguments={"index": 1})(de_out)? # 拆分網(wǎng)絡(luò)層得到第1通道
conv10 = keras.layers.multiply([x1, x2], name="mask_label")? ? # 拆分的2個通道乘積
conv11 = keras.layers.concatenate([x1, conv10])? ? # 合并通道為一個輸出
model = Model(input=[input_layer], output=conv11)
修改完網(wǎng)絡(luò)層以后锦聊，接下來干嘛呢，當(dāng)然是訓(xùn)練神經(jīng)網(wǎng)絡(luò)了．．
所有的步驟就是醬紫啦箩绍，好像寫的有些啰嗦孔庭，代碼沒有高亮，見諒啊材蛛，下次用MarkDown語法改正圆到，我肯定改正哦．．．233333
