问题描述
我正在使用Tensorflow处理CNN回归模型。我想知道是否可以使用回归从我的数据集中估计多个数据？ （换句话说，我想通过头部和双手的位置和旋转来估计人体的肩膀和肘部的位置（x，y，z）和旋转（俯仰，偏航，侧倾））
因此，我的模型的输出应该像每个关节的6个值一样。 （例如：肘部） 这也是我的代码示例：（我使用tf.session来训练模型）
# define placeholder for inputs to network
xs = tf.placeholder(tf.float32,[None,42],name ='input_node')
ys = tf.placeholder(tf.float32,1])
keep_prob = tf.placeholder(tf.float32)
#Network computations and Layers
x_image = tf.reshape(xs,[-1,3,1])
## conv1 layer
W_conv1 = weight_func([3,1,32])
b_conv1 = bias_func([32])
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
# h_drop1 = tf.nn.dropout(h_conv1,keep_prob)
## conv2 layer
W_conv2 = weight_func([3,32,64])
b_conv2 = bias_func([64])
h_conv2 = tf.nn.relu(conv2d(h_conv1,W_conv2) + b_conv2)
# h_drop2 = tf.nn.dropout(h_conv2,keep_prob)
## conv3 layer
W_conv3 = weight_func([3,64,128])
b_conv3 = bias_func([128])
h_conv3 = tf.nn.relu(conv2d(h_conv2,W_conv3) + b_conv3)
# h_drop3 = tf.nn.dropout(h_conv3,keep_prob)
## conv4 layer
W_conv4 = weight_func([3,128,256])
b_conv4 = bias_func([256])
h_conv4 = tf.nn.relu(conv2d(h_conv3,W_conv4) + b_conv4)
# h_drop4 = tf.nn.dropout(h_conv4,keep_prob)
## fc1 layer
W_fc1 = weight_func([3 * 3 * 256,2304])
b_fc1 = bias_func([256])
h_pool2_flat = tf.reshape(h_conv4,3* 3 * 256])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1) + b_fc1)
h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)
# fc2 layer ## full connection
W_fc2 = weight_func([2304,1])
b_fc2 = bias_func([1])
prediction = tf.add(tf.matmul(h_fc1_drop,W_fc2),b_fc2,name= 'output_node')
cross_entropy = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
sess = tf.Session()
train_step = tf.train.AdamOptimizer(0.01).minimize(cross_entropy)
sess.run(tf.global_variables_initializer())
init=tf.global_variables_initializer()
for i in range(50):
sess.run([train_step],Feed_dict = {xs: train_x,ys: train_y,keep_prob: 0.7})
prediction_value = sess.run(prediction,Feed_dict={xs: test_x,ys: test_y,keep_prob: 1.0})`
解决方法
当然，只需创建第二个输出。不幸的是，我无法告诉您如何针对Tensorflow 1.14做到这一点，但是在TF2.0中就像在其他模型中一样：
output_categorical = layer.Dense(5,activation="softmax")(dense_layer_out_cat)
output_continuus = layer.Dense(1,activation="sigmoid")(dense_layer_out_con)
model = tf.keras.Model(inputs=[layer_input_categorical,layer_input_categorical_2,layer_input_continuus],\
outputs=[output_categorical,output_continuus])
model.compile(optimizer="Nadam",loss=["mse","sparse_categorical_crossentropy"])
在这段代码中，您可以看到一个模型，输出一个回归值和一个分类值（用于分类）。就是这样，没有大的魔力。只需创建两个具有S型激活的输出层，告诉模型将两个层都用作输出，定义 two 即可！损失函数（如果进行6次回归，则可能是6次），仅此而已。 当然，拥有多个输出也意味着您需要与输出一样多的y标签值，因此在准备数据时请记住这一点。