连接 ConvLSTM2D 模型和表格模型的更好方法

Question

我建立了一个模型，该模型将一个时间序列的 3 个图像以及 5 个数字信息作为输入，并生成该时间序列的下三个图像。我通过以下方式完成了这项工作：

构建用于处理图像的 ConvLSTM2D 模型（与 Keras 文档 here 中列出的示例非常相似）。输入大小=(3x128x128x3)
为具有几个密集层的表格数据构建一个简单模型。输入大小=(1,5)
连接这两个模型
有一个 Conv3D 模型可以生成接下来的 3 个图像

LSTM 模型产生大小为 393216 (3x128x128x8) 的输出。现在我必须将表格模型的输出设置为 49,152，以便我可以在下一层中获得 442368 (3x128x128x9) 的输入大小。因此，这种不必要的 inflation 表格模型的密集层使得原本高效的 LSTM 模型表现得很糟糕。

有没有更好的方法来连接这两个模型？有没有一种方法可以在表格模型的密集层中输出 10？

型号：

x_input = Input(shape=(None, 128, 128, 3))
x = ConvLSTM2D(32, 3, strides = 1, padding='same', dilation_rate = 2,return_sequences=True)(x_input)
x = BatchNormalization()(x)
x = ConvLSTM2D(16, 3, strides = 1, padding='same', dilation_rate = 2,return_sequences=True)(x)
x = BatchNormalization()(x)
x = ConvLSTM2D(8, 3, strides = 1, padding='same', dilation_rate = 2,return_sequences=True)(x)
x = BatchNormalization()(x)
x = Flatten()(x)
# x = MaxPooling3D()(x)

x_tab_input = Input(shape=(5))
x_tab = Dense(100, activation="relu")(x_tab_input)
x_tab = Dense(49152, activation="relu")(x_tab)
x_tab = Flatten()(x_tab)

concat = Concatenate()([x, x_tab])

output = Reshape((3,128,128,9))(concat)
output = Conv3D(filters=3, kernel_size=(3, 3, 3), activation='relu', padding="same")(output)
model = Model([x_input, x_tab_input], output)
model.compile(loss='mae', optimizer='rmsprop')

模型总结：

Model: "functional_3"
______________________________________________________________________________________________________________________________________________________
Layer (type)                                     Output Shape                     Param #           Connected to                                      
======================================================================================================================================================
input_4 (InputLayer)                             [(None, None, 128, 128, 3)]      0                                                                   
______________________________________________________________________________________________________________________________________________________
conv_lst_m2d_9 (ConvLSTM2D)                      (None, None, 128, 128, 32)       40448             input_4[0][0]                                     
______________________________________________________________________________________________________________________________________________________
batch_normalization_9 (BatchNormalization)       (None, None, 128, 128, 32)       128               conv_lst_m2d_9[0][0]                              
______________________________________________________________________________________________________________________________________________________
conv_lst_m2d_10 (ConvLSTM2D)                     (None, None, 128, 128, 16)       27712             batch_normalization_9[0][0]                       
______________________________________________________________________________________________________________________________________________________
batch_normalization_10 (BatchNormalization)      (None, None, 128, 128, 16)       64                conv_lst_m2d_10[0][0]                             
______________________________________________________________________________________________________________________________________________________
input_5 (InputLayer)                             [(None, 5)]                      0                                                                   
______________________________________________________________________________________________________________________________________________________
conv_lst_m2d_11 (ConvLSTM2D)                     (None, None, 128, 128, 8)        6944              batch_normalization_10[0][0]                      
______________________________________________________________________________________________________________________________________________________
dense (Dense)                                    (None, 100)                      600               input_5[0][0]                                     
______________________________________________________________________________________________________________________________________________________
batch_normalization_11 (BatchNormalization)      (None, None, 128, 128, 8)        32                conv_lst_m2d_11[0][0]                             
______________________________________________________________________________________________________________________________________________________
dense_1 (Dense)                                  (None, 49152)                    4964352           dense[0][0]                                       
______________________________________________________________________________________________________________________________________________________
flatten_3 (Flatten)                              (None, None)                     0                 batch_normalization_11[0][0]                      
______________________________________________________________________________________________________________________________________________________
flatten_4 (Flatten)                              (None, 49152)                    0                 dense_1[0][0]                                     
______________________________________________________________________________________________________________________________________________________
concatenate (Concatenate)                        (None, None)                     0                 flatten_3[0][0]                                   
                                                                                                    flatten_4[0][0]                                   
______________________________________________________________________________________________________________________________________________________
reshape_2 (Reshape)                              (None, 3, 128, 128, 9)           0                 concatenate[0][0]                                 
______________________________________________________________________________________________________________________________________________________
conv3d_2 (Conv3D)                                (None, 3, 128, 128, 3)           732               reshape_2[0][0]                                   
======================================================================================================================================================
Total params: 5,041,012
Trainable params: 5,040,900
Non-trainable params: 112
______________________________________________________________________________________________________________________________________________________

Answer 1

我同意你的看法，巨大的 Dense 层（具有数百万个参数）可能会阻碍模型的性能。您可以选择以下两种方法之一，而不是膨胀带有 Dense 层的表格数据。

选项 1： 平铺 x_tab 张量，使其与您想要的形状相匹配。这可以通过以下步骤实现：

首先，不需要展平ConvLSTM2D的编码张量：

x_input = Input(shape=(3, 128, 128, 3))
x = ConvLSTM2D(32, 3, strides = 1, padding='same', dilation_rate = 2,return_sequences=True)(x_input)
x = BatchNormalization()(x)
x = ConvLSTM2D(16, 3, strides = 1, padding='same', dilation_rate = 2,return_sequences=True)(x)
x = BatchNormalization()(x)
x = ConvLSTM2D(8, 3, strides = 1, padding='same', dilation_rate = 2,return_sequences=True)(x)
x = BatchNormalization()(x)  # Shape=(None, None, 128, 128, 8) 
# Commented: x = Flatten()(x)

其次，您可以使用一层或多层 Dense 处理表格数据。例如：

dim = 10
x_tab_input = Input(shape=(5))
x_tab = Dense(100, activation="relu")(x_tab_input)
x_tab = Dense(dim, activation="relu")(x_tab)
# x_tab = Flatten()(x_tab)  # Note: Flattening a 2D tensor leaves the tensor unchanged

第三，我们包装张量流操作 tf.tile in a Lambda 层，有效地创建张量的副本 x_tab 以便它匹配所需的形状：

def repeat_tabular(x_tab):
    h = x_tab[:, None, None, None, :]  # Shape=(bs, 1, 1, 1, dim)
    h = tf.tile(h, [1, 3, 128, 128, 1])  # Shape=(bs, 3, 128, 128, dim)
    return h
x_tab = Lambda(repeat_tabular)(x_tab)

最后，我们沿着最后一个轴连接 x 和平铺的 x_tab 张量（您也可以考虑沿着第一个轴连接，对应于通道的维度）

concat = Concatenate(axis=-1)([x, x_tab])  # Shape=(3,128,128,8+dim)
output = concat
output = Conv3D(filters=3, kernel_size=(3, 3, 3), activation='relu', padding="same")(output)
# ...

请注意，从某种意义上说，该解决方案可能有点天真，因为模型没有将图像的输入序列编码为低维表示，从而限制了网络的接受域并可能导致性能下降。

选项 2： 与自动编码器和 U-Net 类似，可能需要将图像序列编码为低维表示，以便丢弃不需要的变化（例如噪声），同时保留有意义的信号（例如需要推断序列的下 3 个图像）。这可以通过以下方式实现：

首先，将输入的图像序列编码为低维二维张量。例如，类似以下内容的内容：

x_input = Input(shape=(None, 128, 128, 3))
x = ConvLSTM2D(32, 3, strides = 1, padding='same', dilation_rate = 2,return_sequences=True)(x_input)
x = BatchNormalization()(x)
x = ConvLSTM2D(16, 3, strides = 1, padding='same', dilation_rate = 2,return_sequences=True)(x)
x = BatchNormalization()(x)
x = ConvLSTM2D(8, 3, strides = 1, padding='same', dilation_rate = 2, return_sequences=False)(x)
x = BatchNormalization()(x)
x = Flatten()(x)
x = Dense(64, activation='relu')(x)

请注意，最后一个 ConvLSTM2D 没有返回序列。您可能想探索不同的编码器来达到这一点（例如，您也可以在此处使用池化层）。

其次，使用 Dense 层处理表格数据。例如：

dim = 10
x_tab_input = Input(shape=(5))
x_tab = Dense(100, activation="relu")(x_tab_input)
x_tab = Dense(dim, activation="relu")(x_tab)

第三，连接前两个流的数据：

concat = Concatenate(axis=-1)([x, x_tab])

第四，使用 Dense + Reshape 层将连接的向量投影到一系列低分辨率图像中：

h = Dense(3 * 32 * 32 * 3)(concat)
output = Reshape((3, 32, 32, 3))(h)

output 的形状允许将图像上采样为 (128, 128, 3) 的形状，但它在其他方面是任意的（例如，您可能还想在这里进行实验）。

最后，应用一层或多层 Conv3DTranspose 层以获得所需的输出（例如 3 张形状为 (128, 128, 3) 的图像）。

output = tf.keras.layers.Conv3DTranspose(filters=50, kernel_size=(3, 3, 3),
                                         strides=(1, 2, 2), padding='same',
                                         activation='relu')(output)
output = tf.keras.layers.Conv3DTranspose(filters=3, kernel_size=(3, 3, 3),
                                         strides=(1, 2, 2), padding='same',
                                         activation='relu')(output)  # Shape=(None, 3, 128, 128, 3)

讨论转置卷积层背后的基本原理 here。本质上，Conv3DTranspose 层与普通卷积的方向相反——它允许将低分辨率图像上采样为高分辨率图像。

连接 ConvLSTM2D 模型和表格模型的更好方法

Better way to concatenate ConvLSTM2D model and Tabular model

machine-learning

lstm

keras

tensorflow