【发布时间】：2018-12-19 10:20:15
【问题描述】：
我的问题是关于用更少的数据解决我的问题所需的网络结构。
我有一个传感器设备，它可以简单地报告它在它前面看到的东西的颜色。一个传感器向我报告 4 个数字：红色、绿色、蓝色和 Alpha。 颜色变化的强度取决于距离和它所看到的东西。 我在一个小立方体的每一侧都安装了 6 个这样的传感器。立方体可以用手移动和旋转。
我想实时预测立方体在空间中的位置。
我的问题：
输入：6 个相同的传感器，每个传感器给出 4 个数字。总数=6*4=24 个数字。
输出：3 个数字，X、Y、Z，（立方体的位置）
我已经准备好带有标签 XYZ 的数据。
现在，训练一个简单的多层感知器，它接受 24 个数字并输出 3 个数字。 这工作得很好，但它需要一立方米空间中的大量数据才能准确预测。
问题在于旋转。我需要为每个位置旋转并覆盖 360 度才能很好地预测。
但我知道每个传感器都是相同的，所以我想分担每个传感器的重量。我知道当您将立方体旋转 90 度时，它根本不会影响输出位置。所以这应该意味着传感器的顺序并不重要。这意味着我应该以某种方式使用add 或average 来合并我的传感器层。如果我使用concatenate，它将保留使输出位置发生变化的顺序。
我这样做的方式是将 4 个数字输入到所有传感器共享的 传感器模型 中，获取编码，将它们相加，然后将其连接到 Dense 层。以下是模型原型：
from keras.layers import Input, Dense
from keras.models import Model, Sequential
sensor1 = Input(shape=(4,))
sensor2 = Input(shape=(4,))
sensor3 = Input(shape=(4,))
sensor4 = Input(shape=(4,))
sensor5 = Input(shape=(4,))
sensor6 = Input(shape=(4,))
sensor_model = Sequential([
Dense(64, activation='relu'),
Dense(64, activation='relu'),
])
sensor1_encoding = sensor_model(sensor1)
sensor2_encoding = sensor_model(sensor2)
sensor3_encoding = sensor_model(sensor3)
sensor4_encoding = sensor_model(sensor4)
sensor5_encoding = sensor_model(sensor5)
sensor6_encoding = sensor_model(sensor6)
sensor_encoding = average([
sensor1_encoding,
sensor2_encoding,
sensor3_encoding,
sensor4_encoding,
sensor5_encoding,
sensor6_encoding,
])
h = sensor_encoding
h = Dense(128, activation='relu')(h)
h = Dense(128, activation='relu')(h)
h = Dense(3, activation='linear')
model = Model(inputs=[sensor1, sensor2, sensor3, sensor4, sensor5, sensor6], outputs=[h])
现在，当我将 average 函数更改为 concatenate 时，训练集和验证集的模型损失都较低，这与我的直觉相矛盾。我的想法有什么问题？
你怎么看？如果我旋转 90 度同时又不遭受 45 度旋转，如何调整此模型以使其预测相同的位置。并且还要使其不会删除输入之间的有用关系。
【问题讨论】：
标签： python tensorflow keras neural-network deep-learning