J'essaie de mettre en œuvre ce document dans Keras: https://arxiv.org/pdf/1603.09056.pdf qui utilise Conv-Deconv avec des connexions de saut pour créer un réseau de débruitage d'image. Mon réseau fonctionne plutôt bien si je fais des liaisons de saut symétriques entre les couches Conv-Deconv correspondantes mais si j'ajoute une connexion entre l'entrée et la sortie (comme dans le papier), mon réseau est impossible à former. Est-ce moi qui ne comprends pas le papier?La perte n'évolue pas lors de l'utilisation des connexions de saut
« Cependant, notre réseau apprend la corruption additif de l'entrée car il y a une connexion de saut entre l'entrée et la sortie du réseau »
Voici le réseau décrit dans le document:
Et voici mon réseau:
input_img = Input(shape=(None,None,3))
############################
####### CONVOLUTIONS #######
############################
c1 = Convolution2D(64, (3, 3))(input_img)
a1 = Activation('relu')(c1)
c2 = Convolution2D(64, (3, 3))(a1)
a2 = Activation('relu')(c2)
c3 = Convolution2D(64, (3, 3))(a2)
a3 = Activation('relu')(c3)
c4 = Convolution2D(64, (3, 3))(a3)
a4 = Activation('relu')(c4)
c5 = Convolution2D(64, (3, 3))(a4)
a5 = Activation('relu')(c5)
############################
###### DECONVOLUTIONS ######
############################
d1 = Conv2DTranspose(64, (3, 3))(a5)
a6 = Activation('relu')(d1)
m1 = add([a4, a6])
a7 = Activation('relu')(m1)
d2 = Conv2DTranspose(64, (3, 3))(a7)
a8 = Activation('relu')(d2)
m2 = add([a3, a8])
a9 = Activation('relu')(m2)
d3 = Conv2DTranspose(64, (3, 3))(a9)
a10 = Activation('relu')(d3)
m3 = add([a2, a10])
a11 = Activation('relu')(m3)
d4 = Conv2DTranspose(64, (3, 3))(a11)
a12 = Activation('relu')(d4)
m4 = add([a1, a12])
a13 = Activation('relu')(m4)
d5 = Conv2DTranspose(3, (3, 3))(a13)
a14 = Activation('relu')(d5)
m5 = add([input_img, a14]) # Everything goes well without this line
out = Activation('relu')(m5)
model = Model(input_img, out)
model.compile(optimizer='adam', loss='mse')
Si je le former, voici ce que je reçois:
Epoch 1/10
31250/31257 [============================>.] - ETA: 0s - loss: 0.0015
Current PSNR: 28.1152534485
31257/31257 [==============================] - 89s - loss: 0.0015 - val_loss: 0.0015
Epoch 2/10
31250/31257 [============================>.] - ETA: 0s - loss: 0.0015
Current PSNR: 28.1152534485
31257/31257 [==============================] - 89s - loss: 0.0015 - val_loss: 0.0015
Epoch 3/10
31250/31257 [============================>.] - ETA: 0s - loss: 0.0015
Current PSNR: 28.1152534485
31257/31257 [==============================] - 89s - loss: 0.0015 - val_loss: 0.0015
Epoch 4/10
31250/31257 [============================>.] - ETA: 0s - loss: 0.0015
Current PSNR: 28.1152534485
31257/31257 [==============================] - 89s - loss: 0.0015 - val_loss: 0.0015
Epoch 5/10
31250/31257 [============================>.] - ETA: 0s - loss: 0.0015
Current PSNR: 28.1152534485
Quel est le problème avec mon réseau?
Mais votre perte est assez faible. Pourquoi prétends-tu que ce n'est pas en train d'apprendre? –
Parce que la perte n'évolue pas? Est-il pas censé être progressivement réduite au minimum? –