Warstwy Dense i TimeDistributed

Tłumaczenie maszynowe z Keras

Thushan Ganegedara

Data Scientist and Author

Wprowadzenie do warstwy Dense

Przyjmuje wektor wejściowy i przekształca go w prognozę probabilistyczną.
- y = Wagi.x + Bias

Wagi i biasy

Omówienie warstwy Dense

Definiowanie i użycie warstwy Dense

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

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

Definiowanie warstwy Dense z własną inicjalizacją

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)

Wejścia i wyjścia warstwy Dense

Warstwa Dense softmax
- Przyjmuje tablicę (batch size, input size)
  - np. x = [[1, 6, 8], [8, 9, 10]] # a 2x3 array
- Zwraca tablicę (batch size, num classes)
  - np. liczba klas = 4
  - np. y = [[0.1, 0.3, 0.4, 0.2], [0.2, 0.5, 0.1, 0.2]] # a 2x4 array
- Wyjście dla każdej próbki to rozkład prawdopodobieństwa po klasach
  - Suma po kolumnach wynosi 1
- Klasę dla każdej próbki można uzyskać za pomocą np.argmax(y, axis=-1)
  - np. np.argmax(y,axis=-1) zwraca [2,1]

Omówienie warstwy TimeDistributed

Umożliwia warstwom Dense przetwarzanie danych szeregów czasowych

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

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

Wejścia i wyjścia warstwy TimeDistributed

Przyjmuje tablicę (batch size, sequence length, input size)

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

Zwraca tablicę (batch size, sequence length, num classes)
- np. liczba klas = 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

Wyjście dla każdej próbki to rozkład prawdopodobieństwa po klasach
Klasę dla każdej próbki można uzyskać za pomocą np.argmax(y, axis=-1)

Wycinanie danych po wymiarze czasu

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

Iteracja przez dane czasowo-rozproszone

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
...

Czas na ćwiczenia!

Tłumaczenie maszynowe z Keras