Geschäftskontext
Eine Bank möchte die Echtheit von Unterschriften überprüfen, indem sie eine neue Unterschrift mit einer Referenzunterschrift vergleicht. Ein siamesisches Netzwerk ist ideal dafür, da es zwei identische Eingaben durch Türme mit geteilten Gewichten verarbeitet. Dieses Szenario testet die fortgeschrittenen Parameter `sharingWeights` und `replace`.
Über das Set : deepLearn
Erstellung und Training tiefer neuronaler Netze.
Entdecken Sie alle Aktionen von deepLearn Datenaufbereitung
Keine Daten erforderlich. Der Fokus liegt auf der komplexen Architekturdefinition.
Kopiert!
| 1 | /* Keine Datenvorbereitung erforderlich. */ |
Étapes de réalisation
1
Erstellung eines leeren Modell-Containers namens 'siamese_signature_model'.
Kopiert!
| 1 | PROC CAS; |
| 2 | DEEPLEARN.buildModel / |
| 3 | model={name='siamese_signature_model', replace=true}; |
| 4 | RUN; |
2
Hinzufügen von zwei separaten Input-Schichten für die beiden zu vergleichenden Unterschriftsbilder.
Kopiert!
| 1 | PROC CAS; |
| 2 | DEEPLEARN.addLayer / modelTable={name='siamese_signature_model'} name='Input_A' layer={type='input', nchannels=1, width=256, height=128}; |
| 3 | DEEPLEARN.addLayer / modelTable={name='siamese_signature_model'} name='Input_B' layer={type='input', nchannels=1, width=256, height=128}; |
| 4 | RUN; |
3
Aufbau des ersten Turms (Turm A) mit einer Convolutional- und einer Pooling-Schicht.
Kopiert!
| 1 | PROC CAS; |
| 2 | DEEPLEARN.addLayer / modelTable={name='siamese_signature_model'} name='Conv_A' layer={type='convolution', nFilters=8, width=3, act='relu'} srcLayers={'Input_A'}; |
| 3 | DEEPLEARN.addLayer / modelTable={name='siamese_signature_model'} name='Pool_A' layer={type='pooling', width=2, pool='max'} srcLayers={'Conv_A'}; |
| 4 | RUN; |
4
Aufbau des zweiten Turms (Turm B) unter Verwendung von `sharingWeights`, um die Gewichte von Turm A wiederzuverwenden.
Kopiert!
| 1 | PROC CAS; |
| 2 | DEEPLEARN.addLayer / modelTable={name='siamese_signature_model'} name='Conv_B' layer={type='convolution', nFilters=8, width=3, act='relu'} srcLayers={'Input_B'} sharingWeights='Conv_A'; |
| 3 | DEEPLEARN.addLayer / modelTable={name='siamese_signature_model'} name='Pool_B' layer={type='pooling', width=2, pool='max'} srcLayers={'Conv_B'} sharingWeights='Pool_A'; |
| 4 | RUN; |
5
Hinzufügen einer temporären 'falschen' Concat-Schicht, die dann durch die korrekte Version mit `replace=true` ersetzt wird.
Kopiert!
| 1 | PROC CAS; |
| 2 | /* Falsche Schicht hinzufügen (z.B. mit falschem Typ) */ |
| 3 | DEEPLEARN.addLayer / modelTable={name='siamese_signature_model'} name='MergeLayer' layer={type='output', n=1} srcLayers={'Pool_A', 'Pool_B'}; |
| 4 | |
| 5 | /* Korrekte Concat-Schicht mit replace=true hinzufügen */ |
| 6 | DEEPLEARN.addLayer / modelTable={name='siamese_signature_model'} name='MergeLayer' layer={type='concat'} srcLayers={'Pool_A', 'Pool_B'} replace=true; |
| 7 | RUN; |
Erwartetes Ergebnis
Das Modell 'siamese_signature_model' beschreibt eine siamesische Architektur. Die Schichten 'Conv_B' und 'Pool_B' müssen einen Verweis auf die Gewichte von 'Conv_A' bzw. 'Pool_A' enthalten. Die Schicht 'MergeLayer' muss vom Typ 'CONCAT' sein, was beweist, dass die `replace`-Operation erfolgreich war. Es darf kein Fehler aufgrund eines doppelten Schichtnamens auftreten.