带有tensorflow Conv网的Keras
带有tensorflow Conv网的Keras
提问于 2019-06-11 14:30:39
我使用python 3和anaconda，使用keras和，我的目标是创建一个具有可变输入大小的Conv层的网络。
我发现这里使用这段代码
i = Input((None, None, 1))
o = Conv2D(1, 3, 3)(i)
model = Model(i, o)
model.compile('sgd', 'mse')我用这个代码创建了自己的模型(我需要一个扁平的层)。
model = Sequential()
I = Input((None, None, 1))
c = Conv2D(filters=1, kernel_size=(1, 1))(I)
f = Flatten()(c)
o = Dense(10, activation="softmax")(f)
m = Model(I, o)
m.compile(loss=categorical_crossentropy, optimizer=SGD(), metrics=["accuracy"])我一直在犯这个错误
ValueError：“平坦”输入的形状没有完全定义(got (无，无，1) )。确保将完整的"input_shape“或"batch_input_shape”参数传递给模型的第一层。
似乎问题是输入形状的扁平层，当我删除它，它是好的。
我怎样才能使它更好地发挥与可变的大小？
谢谢
回答 3
Stack Overflow用户
发布于 2021-02-27 01:44:31
稠密需要固定大小的输入/输出，因为它的权重变量的数量必须固定。
在你的案例中有两种解决方案。
- 使用GAP(全球平均池)而不是扁平。GAP的输出大小是前一层的通道数。所以，它的大小在你的情况下是固定的。
- 使用不具有稠密层的全卷积网。在这种情况下，网络的输出是二维的，而不是一维的。所以y的大小应该是这个大小。
下面是为艾伦M的请求添加。
下面是一个代码示例：
# The original number of Conv filters are one.
# But I set it 16 to depict how GAP works.
# And B/H/W means BatchSize/Height/Width.
#1. using GAP
I = Input((None, None, 1)) # output shape=(B, H(None), W(None), 1)
c = Conv2D(filters=16, kernel_size=(1, 1))(I) # output shape=(B, H, W, 16)
f = GlobalAveragePooling2D()(c) # output shape=(B, 16) <- space data(H/W) are aggregated by average
o = Dense(10, activation="softmax")(f) # output shape = (B, 10)
m = Model(I, o)
#2. all conv
I = Input((None, None, 1)) # output shape=(B, H, W, 1)
c = Conv2D(filters=16, kernel_size=(1, 1))(I) # output shape=(B, H, W, 16)
o = Conv2D(filters=10, kernel_size=(1, 1), activation="softmax")(c)
# output shape=(B, H, W, 10)
m = Model(I, o)
# The output size of all conv is H * W * 10, where 10 is the number of classes.
# so the shape of y should be (B, H, W, 1) or (B, H, W) or (B, H, W, 10).
# That is pixel-wise classification or semantic segmentation.Stack Overflow用户
发布于 2019-06-11 14:49:53
平坦方法不以输入大小作为参数。
model = Sequential()
I = Input((None, None, 1))
c = Conv2D(filters=1, kernel_size=(1, 1))(I)
f = Flatten()
o = Dense(10, activation="softmax")(I)
m = Model(I, o)
m.compile(loss="categorical_crossentropy", optimizer=SGD(), metrics=["accuracy"])这应该能解决你的问题。
Stack Overflow用户
发布于 2019-06-11 19:58:32
我认为问题是由于你的变量input_sizes。这里说，如果您使用的是完全连接的层，则不能更改input_sizes。请参阅：如何训练图像，当它们有不同的大小？
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/56546049
复制相关文章
相似问题
腾讯云开发者
