BYR Achieve · 镜像论坛

【问题】Torch中如何对CNN输出结果进行permute

2017/4/6镜像同步2 回复

针对多维时间序列数据，一篇论文中在做动作识别，也就是将一个时间窗长度内的多维序列作为输入，然后输出一个分类结果(已经编号为数字)。 ``` the shape of input data :(sliding_window,sensor_channels) 当然为了使符合CNN的输入，将其变为了 (1,sliding_window,sensor_channels) ``` 所以模型的重点就是获取到时间窗内数据在时间上的依赖，作者先用CNN从源数据提取特征，其中使用64个形如(K,1)的2D filters进行卷积，然后得到(64,8,100)的输出，其中64为卷积核的个数，8为经过卷积的序列长度，100为sensor_channels，因为重点考虑的时间上的特征，所以需要对结果permute ，使序列长度8成为LSTM输入的sequence_length,64*100当做LSTM的input_dim,作者的源码基于Lasagne,直接可以用permute方法，那么在Torch中该如何实现这个功能呢？我现在是这样做的 ``` model:add(nn.SpatialConvolution(1,64,1,5)) model:add(nn.SpatialConvolution(64,64,1,5))--output_size:(64,8,100) --先交换第一和第二维，然后将后两维合并 model:add(nn.Transpose({1,2}))--(8,64,100) model:add(nn.View(8,-1))--(8,6400) model:add(nn.Sequencer(nn.LSTM(6400,128)))--(8,128) model:add(nn.Sequencer(nn.LSTM(128,128)))--(8,128) model:add(nn.SplitTable(1)) model:add(nn.SelectTable(-1)) model:add(nn.Linear(128,numClass)) model:add(nn.LogSoftMax()) ``` 但是发现loss一开始就很高，比log(num_class)还要高不少。。。这样的衔接是有问题的么，各位是怎么实现的呢? 求解答啊

订阅后，新回复会通过你的通知中心匿名送达。