UpSampling不匹配时keras形状
我正在尝试使用自己的数据运行这个convolutional auto encoder示例，所以我根据我的图像修改了它的InputLayer。然而，在输出层上，尺寸有一个问题。我确信问题出在UpSampling上，但我不确定为什么会发生这种情况:下面是代码。
N, H, W = X_train.shape
input_img = Input(shape=(H,W,1)) # adapt this if using `channels_first` image data format
x = Conv2D(16, (3, 3), activation='relu', padding='same')(input_img)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
encoded = MaxPooling2D((2, 2), padding='same')(x)
# at this point the representation is (4, 4, 8) i.e. 128-dimensional
x = Conv2D(8, (3, 3), activation='relu', padding='same')(encoded)
x = UpSampling2D((2, 2))(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
x = Conv2D(16, (3, 3), activation='relu')(x)
x = UpSampling2D((2, 2))(x)
decoded = Conv2D(1, (3, 3), activation='sigmoid', padding='same')(x)
autoencoder = Model(input_img, decoded)
autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')
autoencoder.summary()
然后，当我运行fit时，抛出这个错误：
i+=1
autoencoder.fit(x_train, x_train,
epochs=50,
batch_size=128,
shuffle=True,
validation_data=(x_test, x_test),
callbacks= [TensorBoard(log_dir='/tmp/autoencoder/{}'.format(i))])
ValueError: Error when checking target: expected conv2d_23 to have shape (148, 84, 1) but got array with shape (150, 81, 1)我返回到教程代码，并尝试查看其模型的摘要，它显示了以下内容：
我肯定在解码器上重建输出时会有问题，但我不确定为什么，为什么它适用于128x28图像，而不适用于150x81的图像
我想我可以稍微改变我的图像的维度来解决这个问题，但我想了解发生了什么，以及如何避免它
回答 3
Stack Overflow用户
发布于 2019-01-17 16:33:31
您可以使用ZeroPadding2D填充输入图像到32X32，然后使用Cropping2D裁剪解码图像。
from keras.layers import ZeroPadding2D, Cropping2D
input_img = Input(shape=(28,28,1)) # adapt this if using `channels_first` image data format
input_img_padding = ZeroPadding2D((2,2))(input_img) #zero padding image to shape 32X32
x = Conv2D(16, (3, 3), activation='relu', padding='same')(input_img_padding)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
encoded = MaxPooling2D((2, 2), padding='same')(x)
# at this point the representation is (4, 4, 8) i.e. 128-dimensional
x = Conv2D(8, (3, 3), activation='relu', padding='same')(encoded)
x = UpSampling2D((2, 2))(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
x = Conv2D(16, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
decoded = Conv2D(1, (3, 3), activation='sigmoid', padding='same')(x)
decoded_cropping = Cropping2D((2,2))(decoded)
autoencoder = Model(input_img, decoded_cropping) #cropping image from 32X32 to 28X28
autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')
autoencoder.summary()
Stack Overflow用户
发布于 2019-08-30 15:36:02
解码器的最后一层不使用任何填充。您可以通过将解码器中的最后一层更改为：
x = Conv2D(16, (3, 3), activation='relu', padding='same')(x)您将看到输出暗淡现在将与输入暗淡相匹配。
Stack Overflow用户
发布于 2021-12-21 17:37:05
这是您在处理解码器或某种形式的上采样时面临的典型问题。
但你可能没有意识到的是，上采样或反卷积通常会导致高度和宽度的增加，这可能会超过你预期的尺寸。
更准确地说，：
在你的例子中，你期望和输出的是shape (148, 84, 1)，然而，由于上采样，你最终得到了(150, 81, 1)。
这里的解决方案是在上采样后使用裁剪层裁剪输出：
tf.keras.layers.Cropping2D(cropping=(top_crop, bottom_crop), (left_crop, right_crop)) 因此，在您的示例中：
tf.keras.layers.Cropping2D(cropping=(1, 1), (1, 2))
# or
tf.keras.layers.Cropping2D(cropping=(0, 2), (2, 1))
# or
tf.keras.layers.Cropping2D(cropping=(2, 0), (1, 2)) 这将把输出从(150，81，1)裁剪到预期的形状(148，84，1)。
欲了解更多详情，请访问：tf.keras.layers.Cropping2D
https://stackoverflow.com/questions/50515409
复制相似问题
腾讯云开发者
