keras 的 example 文件 mnist_siamese.py 解析
該程序是介紹了一個(gè)孿生神經(jīng)網(wǎng)絡(luò)，大致就是給出兩張圖片，比較兩張圖片的相似性，比如人臉對(duì)比等
這里的數(shù)據(jù)集是mnist，代碼中首先會(huì)建立一些圖片對(duì)，就是pairs，如果是同類的圖片，則把y值設(shè)置為 1，如果是不同類的圖片，則把 y 值設(shè)置為 0；y值就是相似度
?
基礎(chǔ)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為：
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_1 (InputLayer) (None, 28, 28) 0
_________________________________________________________________
flatten_1 (Flatten) (None, 784) 0
_________________________________________________________________
dense_1 (Dense) (None, 128) 100480
_________________________________________________________________
dropout_1 (Dropout) (None, 128) 0
_________________________________________________________________
dense_2 (Dense) (None, 128) 16512
_________________________________________________________________
dropout_2 (Dropout) (None, 128) 0
_________________________________________________________________
dense_3 (Dense) (None, 128) 16512
=================================================================
Total params: 133,504
Trainable params: 133,504
Non-trainable params: 0
_________________________________________________________________
None就是給一個(gè)數(shù)字圖片，經(jīng)過(guò)一堆計(jì)算之后，會(huì)生成一個(gè)128維的向量，
然后計(jì)算兩張圖片的運(yùn)算結(jié)果向量之間的歐氏距離，也就是函數(shù)?euclidean_distance，向量平方和再開(kāi)方，其值肯定是一個(gè)整數(shù)
我們猜想一下，如果兩張圖片，送的數(shù)據(jù)一模一樣，那么其距離結(jié)果肯定為 0，如果完全不同的兩張圖片，那么運(yùn)算結(jié)果也應(yīng)該是一個(gè)很大的數(shù)
?
?
下面是一個(gè)自定義的損失函數(shù)?contrastive_loss，損失函數(shù)的參數(shù)為 預(yù)期值 和 實(shí)際運(yùn)算結(jié)果；
這里再?gòu)?qiáng)調(diào)一下，y_pred 的值肯定不會(huì)小于 0，因?yàn)槭瞧椒胶?#xff0c;再開(kāi)方，肯定大于等于 0
損失函數(shù)的返回值為：
return y_true * square_pred + (1 - y_true) * margin_square因?yàn)?y_true 是我們?cè)跀?shù)據(jù)集預(yù)處理中設(shè)置的，其值可能為 0 ，或 1，
如果 y_true 為 1，也就是兩張圖片預(yù)期一樣時(shí)，則返回結(jié)果可以簡(jiǎn)化為?square_pred
square_pred 就是歐氏距離；
如果 y_true 為 0， 也就是兩張圖片預(yù)期不一樣時(shí)，則返回結(jié)果可以簡(jiǎn)化為?margin_square；
margin_square = K.square(K.maximum(margin - y_pred, 0))損失函數(shù)就是，在結(jié)果符合預(yù)期時(shí)，損失值很小，在不符合預(yù)期時(shí)，損失值很大；
margin_square 就是 (1 - 歐氏距離)的平方，比如傳了一個(gè)1，一個(gè)2，那么歐氏距離應(yīng)該是很大，比如 y_pred 值為0.9，那就是符合預(yù)期，(1 - y_pred)**2，結(jié)果為 0.01，損失就很小；
而如果傳了不同的兩個(gè)值，一個(gè)1，一個(gè)2，結(jié)果歐式距離很小，比如 y_pred 值為 0.01，那么損失函數(shù)應(yīng)該很大，這里確實(shí)很大，0.99 ** 2，差不多為 1 了，需要神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化；
但如果傳入的是兩個(gè)不同的圖片，計(jì)算結(jié)果?y_pred 為 10，那其實(shí)也是符合預(yù)期，反正兩張不同的圖片 y_pred 越大越好，那么這時(shí)候計(jì)算?K.maximum(margin - y_pred, 0) 就是?K.maximum(-9, 0)，也就是 0，損失為0
?
其他就沒(méi)有什么難點(diǎn)了
總結(jié)
以上是生活随笔為你收集整理的keras 的 example 文件 mnist_siamese.py 解析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： keras 的 example 文件 m
- 下一篇： keras 的 example 文件 m