Layer Dense e TimeDistributed

Traduzione automatica con Keras

Thushan Ganegedara

Data Scientist and Author

Introduzione al layer Dense

Prende un vettore in input e lo converte in una previsione probabilistica.
- y = Weights.x + Bias

Pesi e bias

Capire il layer Dense

Definire e usare un layer Dense

dense = Dense(3, activation='softmax')

inp = Input(shape=(3,))
pred = dense(inp)
model = Model(inputs=inp, outputs=pred)

Definire un layer Dense con inizializzazione personalizzata

from tensorflow.keras.initializers import RandomNormal
init = RandomNormal(mean=0.0, stddev=0.05, seed=6000)
dense = Dense(3, activation='softmax', 
             kernel_initializer=init, bias_initializer=init)

Input e output del layer Dense

Layer Dense con softmax
- Accetta un array (batch size, input size)
  - es. x = [[1, 6, 8], [8, 9, 10]] # array 2x3
- Produce un array (batch size, num classes)
  - es. Numero di classi = 4
  - es. y = [[0.1, 0.3, 0.4, 0.2], [0.2, 0.5, 0.1, 0.2]] # array 2x4
- L'output per ogni campione è una distribuzione di probabilità sulle classi
  - Somma a 1 lungo le colonne
- Puoi ottenere la classe per campione con np.argmax(y, axis=-1)
  - es. np.argmax(y,axis=-1) produce [2,1]

Capire il layer TimeDistributed

Permette ai layer Dense di elaborare input sequenziali (time-series)

dense_time = TimeDistributed(Dense(3, activation='softmax'))

inp = Input(shape=(2, 3))
pred = dense_time(inp)
model = Model(inputs=inp, outputs=pred)

Input e output del layer TimeDistributed

Accetta un array (batch size, sequence length, input size)

x = [[[1, 6], [8, 2], [1, 2]], 
    [[8, 9], [10, 8], [1, 0]]] # a 2x3x2 array

Produce un array (batch size, sequence length, num classes)
- es. Numero di classi = 3

y = [[[0.1, 0.5, 0.4], [0.8, 0.1, 0.1], [0.6, 0.2, 0.2]], 
     [[0.2, 0.5, 0.3], [0.2, 0.5, 0.3], [0.2, 0.8, 0.0]]] # a 2x3x3 array

L'output per ogni campione è una distribuzione di probabilità sulle classi
Puoi ottenere la classe per campione con np.argmax(y, axis=-1)

Slicing sulla dimensione temporale

y = [[[0.1, 0.5, 0.4], [0.8, 0.1, 0.1], [0.6, 0.2, 0.2]], 
     [[0.2, 0.5, 0.3], [0.2, 0.5, 0.3], [0.2, 0.8, 0.0]]] # a 2x3x3 array
classes = np.argmax(y, axis=-1) # a 2 x 3 array

Iterare su dati distribuiti nel tempo

for t in range(3):
  # Get the t-th time-dimension slice of y and classes
  for prob, c in zip(y[:,t,:], classes[:,t]):
     print("Prob: ", prob, ", Class: ", c)

Prob:  [0.1 0.5 0.4] , Class:  1
Prob:  [0.2 0.5 0.3] , Class:  1
Prob:  [0.8 0.1 0.1] , Class:  0
...

Passiamo alla pratica !

Traduzione automatica con Keras