如何使用张量流构建多输入图？

是否可以定义具有多个输入的 TensorFlow 图？ 例如，我想给图表两个图像和一个文本，每个图像都由一堆层处理，最后有一个 fc 层。然后有一个节点计算考虑这三种表示的损失函数。目的是让三个网络在考虑联合表示损失的情况下进行反向传播。 是否可以？有什么例子/教程吗？

这是完全简单的事情。对于“一个输入”，你会得到类似的东西：

def build_column(x, input_size):

    w = tf.Variable(tf.random_normal([input_size, 20]))
    b = tf.Variable(tf.random_normal([20]))
    processing1 = tf.nn.sigmoid(tf.matmul(x, w) + b)

    w = tf.Variable(tf.random_normal([20, 3]))
    b = tf.Variable(tf.random_normal([3]))
    return tf.nn.sigmoid(tf.matmul(processing1, w) + b)

input1 = tf.placeholder(tf.float32, [None, 2])
output1 = build_column(input1, 2) # 2-20-3 network

您可以简单地添加更多此类“列”并随时合并它们

input1 = tf.placeholder(tf.float32, [None, 2])
output1 = build_column(input1, 2)

input2 = tf.placeholder(tf.float32, [None, 10])
output2 = build_column(input1, 10)

input3 = tf.placeholder(tf.float32, [None, 5])
output3 = build_column(input1, 5)


whole_model = output1 + output2 + output3 # since they are all the same size

你会得到如下所示的网络：

 2-20-3\
        \
10-20-3--SUM (dimension-wise)
        /
 5-20-3/

或进行单值输出

w1 = tf.Variable(tf.random_normal([3, 1]))
w2 = tf.Variable(tf.random_normal([3, 1]))
w3 = tf.Variable(tf.random_normal([3, 1]))

whole_model = tf.matmul(output1, w1) + tf.matmul(output2, w2) + tf.matmul(output3, w3)

to get

 2-20-3\
        \
10-20-3--1---
        /
 5-20-3/