conv-neural-network - 在 Keras 中实现 Siamese NN

Question

所以我正在尝试实现 this关于 Siamese 神经网络的论文:Sumit Chopra、Raia Hadsell 和 Yann LeCun(2005 年)的论文:有区别地学习相似性度量，并应用于人脸验证。我正在使用 CIFAR10 dataset但是，有 10 个类(class)。

为方便起见，再现了其中一条腿的规范。注解:C_x为卷积层，S_x为下采样层，F_x为全连接层；使用共享索引 x:

C1:特征图:15，内核大小 = (7, 7)

S2:特征图:15，视野 = (2, 2)

C3:特征图:45，内核大小 = (6, 6)

S4:特征图:45，视野 = (4, 3)

C5:特征图:250，内核大小 = (5, 5)

F6(全连接层):没有。单位数 = 50

我试过的

model = Sequential()

#C1
model.add(Convolution2D(15, 7, 7,
activation='relu',
border_mode='same',
input_shape=input_img_shape))
print("C1 shape: ", model.output_shape)

#S2
model.add(MaxPooling2D((2,2), border_mode='same'))
print("S2 shape: ", model.output_shape)
#...

#C5
model.add(Convolution2D(250, 5, 5, 
activation='relu', 
border_mode='same'))
print("C5 shape: ", model.output_shape)

#F6
model.add(Dense(50))

这会引发一条很长的错误消息，我认为这是一个 reshape 错误。错误片段:

Exception: Input 0 is incompatible with layer dense_13: expected
ndim=2, found ndim=4

我知道问题在最后的密集层中是孤立的，因为如果我将其注释掉，代码会顺利进行。但我不确定我应该如何塑造/指定我的最终全连接层，以便它与之前的卷积层兼容？

我看过的一些地方

This是一个相关的问题，尽管实现略有不同(在撰写本文时，keras 中似乎没有“连体”核心层)。我知道还有 implementations in Theano ，如果我不能在 keras 中做到这一点，我会记住这一点。

谢谢!

Answer 1

你不需要连体层，你只需要使用 Keras functional API创建一个具有两个输入和一个输出的模型。

似乎 Keras 示例 already contain与您正在实现的模型非常相似的模型。