Loading [MathJax]/jax/input/TeX/config.js

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

社区首页 >问答首页 >对于输入形状为[?,1,10000,80]，[3,3,80,16]的'conv2d_1/convolution‘(op：'Conv2D')，从1减去3导致负尺寸

问对于输入形状为[?,1,10000,80]，[3,3,80,16]的'conv2d_1/convolution‘(op：'Conv2D')，从1减去3导致负尺寸
EN

Stack Overflow用户

提问于 2019-12-28 21:11:30

回答 1查看 58关注 0票数 1

我使用的是Keras版本2.3.1和TensorFlow 2.0.0。

我在我的网络中的第一个卷积层的实例化中引入了标题错误：

model = Sequential([
    Conv2D(16, 3, input_shape=(1, 10000, 80)),
    LeakyReLU(alpha=0.01),
    MaxPooling2D(pool_size=3),
    Conv2D(16, 3),
    LeakyReLU(alpha=0.01),
    MaxPooling2D(pool_size=3),
    Conv2D(16, 3),
    LeakyReLU(alpha=0.01),
    MaxPooling2D(pool_size=3),
    Conv2D(16, 3),
    LeakyReLU(alpha=0.01),
    MaxPooling2D(pool_size=3),
    Dense(256),
    LeakyReLU(alpha=0.01),
    Dense(32),
    LeakyReLU(alpha=0.01),
    Dense(1, activation='sigmoid')])

据我所知，TF维度排序应该设置为(samples，行，列)。我的输入是一个形状为1000，80的数组。

我已经尝试了我在网上找到的所有修复程序，包括：

K.common.set_image_dim_ordering('tf')
K.set_image_data_format('channels_last')
K.tensorflow_backend.set_image_dim_ordering('tf')
K.set_image_dim_ordering('tf')

但是，所有这些都不会改变任何东西(就像前两行一样)，或者在这两行上失败(后两行)。

人脸识别特惠活动

精准实时的人脸检测、分析、识别等服务，在线、离线满足多样需求，可应用于智慧零售、智慧社区、在线娱乐等多种应用场景

EN

回答 1

Stack Overflow用户

回答已采纳

发布于 2019-12-28 21:14:30

如果input_shape错误，这些修复都不会起作用。Conv2D层的input_shape应为(width, height, channels)，示例维度不包含为Keras隐式插入的维度。

您给出的input_shape将被解释为宽度为1，这是一个问题。您需要正确地设置input_shape的格式，并添加channels维度。

票数 3

EN

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/59514903

复制

相关文章

[Deep-Learning-with-Python]计算机视觉中的深度学习

卷积网络接收(image_height,image_width,image_channels)形状的张量作为输入(不包括batch size)。MNIST中，将图片转换成(28,28，1)形状，然后在第一层传递input_shape参数。显示网络架构

用户1631856

2018/08/01

2.2K0

[Deep-Learning-with-Python]计算机视觉中的深度学习

[Tensorflow] Tensorflow卷积理解

tensorflow 深度学习神经网络图像识别 ide

CNN对于学习深度学习的人来说应该是比较耳熟的名词了.但很多人只是听过,但不知道是什么.

wOw

2018/09/18

1.9K0

[Tensorflow] Tensorflow卷积理解

深度学习基础入门篇9.1：卷积之标准卷积：卷积核/特征图/卷积计算、填充、感受视野、多通道输入输出、卷积优势和应用案例讲解

人工智能深度学习卷积神经网络神经网络

在全连接网络1中，一张图片上的所有像素点会被展开成一个1维向量输入网络，如图1 所示，28 x 28的输入数据被展开成为784 x 1 的数据作为输入。

汀丶人工智能

2023/05/22

2.1K0

深度学习基础入门篇9.1：卷积之标准卷积：卷积核/特征图/卷积计算、填充、感受视野、多通道输入输出、卷积优势和应用案例讲解

TensorFlow学习笔记--Deep Dream模型

Deep Dream是谷歌推出的一个有意思的技术。在训练好的CNN上，设定几个参数就可以生成一张图象。具体目标是：

喵叔

2020/09/08

6560

TensorFlow学习笔记--Deep Dream模型

卷积神经网络CNN原理详解（一）——基本原理

人工智能深度学习神经网络机器学习

作者：Charlotte77数学系的数据挖掘民工博客专栏：http://www.cnblogs.com/charlotte77/ 个人公众号：Charlotte数据挖掘（ID：CharlotteDataMining）上篇文章我们给出了用paddlepaddle来做手写数字识别的示例，并对网络结构进行到了调整，提高了识别的精度。有的同学表示不是很理解原理，为什么传统的机器学习算法，简单的神经网络(如多层感知机)都可以识别手写数字，我们要采用卷积神经网络CNN来进行别呢？CNN到底是怎么识别的？用CNN有哪

企鹅号小编

2018/02/07

1.4K0

卷积神经网络CNN原理详解（一）——基本原理

keras系列︱Application中五款已训练模型、VGG16框架（Sequential式、Model式）解读（二）

深度学习 tensorflow 人工智能图像识别

根据给定的文章内容，撰写摘要总结。

悟乙己

2018/01/02

9.8K0

keras系列︱深度学习五款常用的已训练模型

keras 深度学习 tensorflow

不得不说，这深度学习框架更新太快了尤其到了Keras2.0版本，快到Keras中文版好多都是错的，快到官方文档也有旧的没更新，前路坑太多。到发文为止，已经有theano/tensorflow/CNTK支持keras,虽然说tensorflow造势很多，但是笔者认为接下来Keras才是正道。笔者先学的caffe，从使用来看，keras比caffe简单超级多，非常好用，特别是重新训练一个模型，但是呢，在fine-tuning的时候，遇到了很多问题，对新手比较棘手。中文文档：http://keras-

机器学习AI算法工程

2018/03/30

8K0

keras系列︱深度学习五款常用的已训练模型

神经网络 python html5 keras kernel

不得不说，这深度学习框架更新太快了尤其到了Keras2.0版本，快到Keras中文版好多都是错的，快到官方文档也有旧的没更新，前路坑太多。到发文为止，已经有theano/tensorflow/CNTK支持keras,虽然说tensorflow造势很多，但是笔者认为接下来Keras才是正道。

用户7886150

2021/01/15

1.5K0

深度学习基础入门篇[9.2]：卷积之1*1 卷积（残差网络）、2D/3D卷积、转置卷积数学推导、应用实例

深度学习人工智能卷积神经网络神经网络

$1\times{1}$ 卷积，与标准卷积完全一样，唯一的特殊点在于卷积核的尺寸是$1\times{1}$ ，也就是不去考虑输入数据局部信息之间的关系，而把关注点放在不同通道间。当输入矩阵的尺寸为$3\times{3}$ ，通道数也为3时，使用4个$1\times{1}$卷积核进行卷积计算，最终就会得到与输入矩阵尺寸相同，通道数为4的输出矩阵，如图1 所示。

汀丶人工智能

2023/05/22

1.8K0

深度学习基础入门篇[9.2]：卷积之1*1 卷积（残差网络）、2D/3D卷积、转置卷积数学推导、应用实例

从零开始学Pytorch（七）之卷积神经网络基础

编程算法卷积神经网络

我们介绍卷积神经网络的卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。

墨明棋妙27

2022/09/23

7820

Deep learning with Python 学习笔记（2）

卷积神经网络 keras 图像处理

卷积神经网络接收形状为 (image_height, image_width, image_channels)的输入张量(不包括批量维度)，宽度和高度两个维度的尺寸通常会随着网络加深而变小。通道数量由传入 Conv2D 层的第一个参数所控制

范中豪

2019/09/10

6910

Deep learning with Python 学习笔记（2）

从0实现基于Keras的两种建模

keras 函数模型数据网络

可以看到cifar服装图片数据集存在50000个训练样本，10000个测试样本；数据集是四维的。

皮大大

2023/08/25

1920

【干货】卷积神经网络中的四种基本组件

卷积神经网络人工智能神经网络

【导读】当今，卷积神经网络在图像识别等领域取得巨大的成功，那么是什么使其高效而快速呢？本文整理John Olafenwa的一篇博文，主要介绍了卷积神经网络采用的四种基本组件：Pooling、Dropo

WZEARW

2018/04/16

2.1K0

【干货】卷积神经网络中的四种基本组件

CNN卷积神经网络模型搭建

卷积神经网络

前段时间尝试使用深度学习来识别评测过程中的图片，以减少人力成本。目前是在深度学习框架Keras(后端使用TensorFlow)下搭建了一个CNN卷积神经网络模型，下面就如何搭建一个最简单的数字图像识别模型做下介绍。

用户5521279

2019/07/10

1.6K0

alexnet论文复现

卷积神经网络

alexnet（当然还有很多cv方面奠基的文章，但是因为alexnet是第一个将卷积神经网络应用到大规模图片识别，并且取得很好的效果：ImageNet LSVRC-2010 取得top-1和top-5错误率为37.5%和17.0%的效果， ImageNet LSVRC-2012中，取得了top-5错误率为15.3%）。

用户7680342

2020/11/08

8160

使用深度学习的模型对摄影彩色图像进行去噪

大多数图像去噪器技术专注于去除AWGN（高斯白噪声）。通常，噪声是综合添加的并且涉及各种技术来去除这些图像。但是随着深度学习的进步，重点已转向为现实世界中的嘈杂彩色图像设计降噪架构。实际的嘈杂图像是通过具有不同设置或在弱光条件下的不同摄像机获得的。在较低的相机ISO设置下或在强光条件下，也可以获得相应的清晰图像。具有干净且嘈杂的图像对，我们可以训练深度学习卷积体系结构以对图像进行降噪。图像去噪效果可能是肉眼可见的。我使用PSNR和SSIM指标来衡量图像去噪器性能。

deephub

2021/05/18

9870

使用深度学习的模型对摄影彩色图像进行去噪

TF图层指南：构建卷积神经网络

神经网络卷积神经网络

本文介绍了如何利用TensorFlow搭建一个简单的CNN模型来识别MNIST数据集中的手写数字。首先，介绍了CNN模型的基本原理和TensorFlow中的Keras API。然后，使用MNIST数据集训练了一个具有卷积层和全连接层的CNN模型。最后，通过在测试集上评估模型的性能，得到了97.3%的准确率。

片刻

2018/01/05

2.4K0

TF图层指南：构建卷积神经网络

mobilenet改进_常用的轻量化网络

神经网络深度学习机器学习人工智能人脸识别

最近出了一篇旷视科技的孙剑团队出了一篇关于利用Channel Shuffle实现的卷积网络优化——ShuffleNet。我关注了一下，原理相当简单。它只是为了解决分组卷积时，不同feature maps分组之间的channels信息交互问题，而提出Channel Shuffle操作为不同分组提供channels信息的通信的渠道。然而，当我读到ShuffleNet Unit和Network Architecture的章节，考虑如何复现作者的实验网络时，总感觉看透这个网络的实现，尤其是我验算Table 1的结果时，总出现各种不对。因此我将作者引用的最近几个比较火的网络优化结构（MobileNet，Xception，ResNeXt）学习了一下，终于在ResNeXt的引导下，把作者的整个实现搞清楚了。顺带着，我也把这项技术的发展情况屡了一下，产生了一些个人看法，就写下这篇学习笔记。

全栈程序员站长

2022/10/03

9190

mobilenet改进_常用的轻量化网络

【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理

数据处理机器学习深度学习卷积神经网络

本文介绍了CNN的基本原理、卷积神经网络、池化层、激活函数、正则化、损失函数、优化算法、训练技巧、网络结构选择、调参方法、以及总结了一些关于手写数字识别的常见问题和解决方案。

Charlotte77

2018/01/09

2.6K0

【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理

点击加载更多

相似问题

输入形状的'conv3d_1/convolution‘(op：'Conv3D')从1减去5导致尺寸为负

141

输入形状为[?,1,74,16]，[3,3,16,32]的'conv2d_2/convolution‘(op：'Conv2D')从1减去3导致的负尺寸

115

输入形状为[?,1,1,5]的“卷积/卷积/Conv2D”(op：'Conv2D')从1中减去6所引起的负维尺寸

11

对于输入形状为[?,5,2,64]，[？，5，64]的“卷积”(op：'Conv2D')，从2中减去5的负维尺寸

31

Keras -对于输入形状为[?,4,80,64]，[5，64]的“卷积”(op：'Conv2D')，从4中减去5的负维尺寸。

20

活动推荐

体验智能媒资降冷，云点播优惠不要错过！

添加站长进交流群

领取专属 10元无门槛券

AI混元助手 在线答疑

关注 腾讯云开发者公众号

洞察 腾讯核心技术

剖析业界实践案例