Я хотел бы обучить сверточную нейронную сеть в Tflearn-Tensorflow, используя сочетание изображений (информация о пикселях) и данных. Поскольку у меня небольшое количество изображений, мне нужно использовать увеличение изображения, чтобы увеличить количество образцов изображений, которые я передаю в сеть. Но это означает, что я могу передавать данные изображения только в качестве входных данных, а данные, не относящиеся к изображению, нужно добавлять на более позднем этапе, предположительно до полносвязного слоя. Я не могу понять, как это сделать, так как кажется, что я могу только сообщить сети, какие данные использовать, когда я вызываю model.fit({'input': ), и я не могу передать конкатенацию обоих типов data там как input_data вызывает непосредственно увеличение изображения. Есть ли какая-либо конкатенация, которую я могу выполнить на промежуточном этапе, чтобы добавить дополнительные данные или какие-либо другие альтернативы, которые позволят мне использовать ImageAugmentation и данные, не относящиеся к изображениям, которые мне нужны для обучения сети? Мой код с некоторыми комментариями ниже. Большое спасибо.
import tensorflow as tf
import tflearn
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.estimator import regression
#px_train:pixel data, data_train: additional data
px_train, data_train, px_cv, data_cv, labels_train, labels_cv = prepare_data(path, filename)
img_aug = ImageAugmentation()
img_aug.add_random_flip_leftright()
img_aug.add_random_rotation(max_angle = 89.)
img_aug.add_random_blur(sigma_max=3.)
img_aug.add_random_flip_updown()
img_aug.add_random_90degrees_rotation(rotations = [0, 1, 2, 3])
#I can only pass image data here to apply data_augmentation
convnet = input_data(shape = [None, 96, 96, 1], name = 'input', data_augmentation = img_aug)
convnet = conv_2d(convnet, 32, 2, activation = 'relu')
convnet = max_pool_2d(convnet, 2)
convnet = conv_2d(convnet, 64, 2, activation = 'relu')
convnet = max_pool_2d(convnet, 2)
convnet = tf.reshape(convnet, [-1, 24*24*64])
#convnet = tf.concat((convnet, conv_feat), 1)
#If I concatenated data like above, where could I tell Tensorflow to assign the variable conv_feat to my 'data_train' values?
convnet = fully_connected(convnet, 1024, activation = 'relu')
convnet = dropout(convnet, 0.8)
convnet = fully_connected(convnet, 99, activation = 'softmax')
convnet = regression(convnet, optimizer = 'adam', learning_rate = 0.01, loss = 'categorical_crossentropy', name = 'labels')
model = tflearn.DNN(convnet)
#I can't add additional 'input' labels here to pass my 'data_train'. TF gives error.
model.fit({'input': np.array(px_train).reshape(-1, 96, 96, 1)}, {'labels': labels_train}, n_epoch = 50, validation_set = ({'input': np.array(px_cv).reshape(-1, 96, 96, 1)}, {'labels': labels_cv}), snapshot_step = 500, show_metric = True, run_id = 'Test')