conv2d_28_input应为4维，但得到的数组的形状仅由3维组成

conv2d_28_input是一个卷积神经网络（Convolutional Neural Network，CNN）中的输入层。在深度学习中，卷积层通常用于处理图像数据。conv2d_28_input的命名中的"conv2d"表示二维卷积操作，"28"表示该层的编号，"input"表示该层是网络的输入层。

在卷积神经网络中，输入数据通常是一个多维数组，其中包含了图像的像素信息。对于图像数据，通常有三个维度：宽度、高度和通道数。例如，一个RGB图像的维度为[宽度, 高度, 通道数]，其中通道数为3。而conv2d_28_input应为4维，表示该层的输入数据应该包含一个额外的维度。

这个错误提示表明，得到的数组形状只有3维，而不符合conv2d_28_input的要求。这可能是由于数据预处理过程中的错误导致的。为了解决这个问题，可以检查数据预处理的代码，确保输入数据的维度正确，并且与网络模型的输入层要求一致。

腾讯云提供了一系列的云计算产品和服务，包括云服务器、云数据库、云存储等。在深度学习领域，腾讯云提供了AI Lab平台，其中包括了深度学习框架、模型训练和推理服务等。您可以通过腾讯云AI Lab平台来构建和训练卷积神经网络模型，并使用腾讯云的GPU实例来加速模型训练过程。

更多关于腾讯云的产品和服务信息，您可以访问腾讯云官方网站：https://cloud.tencent.com/

对于迁移学习，我应该只使用“完全相同”的输入形状吗？

python、tensorflow、keras、conv-neural-network

我用(5x128x128x3)大小的输入形状训练了一个CNN模型，得到了(5x128x128x3)的训练权重。顺便说一下，我想使用这个权重来训练(7x128x128x3)大小的输入数据所以，这就是我的问题，我应该只使用相同形状的输入吗？我想知道是否可以使用其他大小(在本例中为7x128x128x3)的输入进行迁移学习 ValueError: Error when checking input: expected input_1 to have shape (5, 128, 128, 3) but got arry with shape (7, 128, 128, 3)```

浏览 0提问于2019-09-20得票数 2

1回答

如何才能给我的卷积神经网络工作的通道数和没有高度和宽度？

python、neural-network、pytorch

你好，我对深造社区有点陌生，我已经厌倦了如何通过神经网络来输入数据。所以我在做哨兵比目鱼系列，我在学习对流网。他正在使用微软在kaggle上的猫狗数据集。他将图像大小调整为50乘50，并将其转换为灰度。如果你想看视频来回答我的问题，那就是- 所以在看视频的时候，我脑海里浮现出一些想法。他传递的输入只是图像的颜色通道- 一看到他输入的信息，我就想起了，为什么他只通过通道的数目，这是一幅灰度图像。当一个conv2d接受3个输入时。而且我的意思是，它在理论上是可行的。我试着研究了一下，但是没有找到一个很好的解释输入形状的方法。所以我有两个想法和问题- 因此，这条线是否意味着

浏览 1提问于2019-11-18得票数 2

回答已采纳

1回答

深层CNN中卷积层的直观解释

machine-learning、neural-network、deep-learning、cnn

我正在学习一些关于深度学习和CNNs的知识。我懂数学。然而，我有点困在一个与过滤器相关的基本概念上。在卷积层中，对应于深度的滤波器数目。例如，如果我有128个过滤器，我将将每个过滤器分别应用于图像。既然所有这些过滤器都被应用到图像上了，这会不会使图像完全连接呢？(图像连接到每个过滤器)。能给我一层不同尺寸的过滤器吗？

浏览 0提问于2018-08-02得票数 2

4回答

CNN的频道是什么？

machine-learning、neural-network、cnn

我读了一篇关于卷积神经网络的文章，我发现了一些我不明白的东西，那就是：过滤器必须有与输入图像相同的通道数，这样才能进行按元素方向的乘法。现在，我不明白的是:什么是卷积神经网络中的通道？我试着寻找答案，但还不明白是什么。有人能给我解释一下吗？提前谢谢。

浏览 0提问于2019-12-05得票数 22

回答已采纳

1回答

我应该应用一维或二维CNN进行二进制文本分类吗？

deep-learning、cnn、convolution

我正在尝试训练一个文本分类模型。对于所有的句子例子，我把它们限制在32个字以内，如果没有32个单词，我将创建零块数组。为了把每个单词转换成向量，我使用了一个预先训练过的word2vec模型. 在最后的设置中，我的数据的形状是： x_train：15000个样本，每个样本有32个向量，其中每个向量大小为100。(15000, 32, 100)。 y_train：15000二进制目标(15000, 1) 所以我的问题是，我应该在我的x_train上申请1DCNN还是2DCNN？我想我可以用两种方法来解决，但对于这类问题，是否有正确的方法呢？我读了一些关于一维CNN文本分类的文章，但也有一些关于2D

浏览 0提问于2020-05-19得票数 1

回答已采纳

1回答

如果我没有将默认的输入形状输入到预先训练的模型中，深度学习程序的准确性会下降吗？

python、keras、conv-neural-network、pre-trained-model、transfer-learning

正如标题所说，我想知道输入形状是否会影响深度学习模型的准确性。此外，预先训练的模型(如Xception)是否可以用于灰度图像？附言:我最近开始学习深度学习，所以如果可能的话，请用简单的术语解释。

浏览 10提问于2019-04-03得票数 0

回答已采纳

1回答

如何计算三维卷积层的可训练参数数？

parameters、3d、deep-learning、convolution

我是CNN的初学者，我在构建我的网络时使用3D卷积层，但是我无法理解如何计算这个convolution3D层的可训练参数。下面是一个简单的具有输入形状(3，16,112)(通道、帧、高度、宽度)的单层网络的例子，即16幅RGB大小的图像(112*112)： def get_model(summary=False): model = Sequential() model.add(Convolution3D(64, (3, 3, 3), activation='relu', padding='valid', nam

浏览 0提问于2019-04-15得票数 2

回答已采纳

2回答

完全卷积网络训练图像大小

machine-learning、computer-vision、tensorflow、deep-learning、caffe

我正在尝试使用TensorFlow复制用于语义分割的完全卷积网络的结果。我被困在将训练图像输入到计算图中。全卷积网络使用VOC PASCAL数据集进行训练。然而，数据集中的训练图像具有不同的大小。我只想问他们是否对训练图像进行了预处理，使它们具有相同的大小，以及他们是如何对图像进行预处理的。如果没有，他们是否只是将不同大小的图像批量输入FCN？是否可以将一批不同大小的图像输入到TensorFlow的计算图中？有没有可能使用队列输入而不是占位符呢？

浏览 2提问于2016-08-20得票数 6

2回答

输入图像大小如何影响全连通层的大小和形状？

machine-learning、image-processing、neural-network、computer-vision、image-segmentation

我读了很多说明两件事的教程。 “用卷积层替换完全连接的层，将它们转换成完全卷积的网络，该网络接受任意大小的输入和输出分类图。”。传统的CNN不能做到这一点，因为它有一个完全连接的层，它的形状是由输入图像大小决定的。基于这些陈述，我的问题如下？每当我做了一个FCN，我只能让它工作在一个固定维度的输入图像，用于培训和测试。但是在论文的摘要中，他们指出：“我们的关键洞察力是建立”完全卷积“的网络，它接受任意大小的输入，并通过有效的推理和学习产生相应大小的输出。” 输入图像大小是如何确定完全连接层的？我试着上网看，但没有找到直接的答案。

浏览 0提问于2019-08-02得票数 0

回答已采纳

1回答

理解caffe中的卷积层深度

caffe、conv-neural-network

我是caffe的新手，我用64个7x7的特征映射训练了一个神经网络，当我得到一个滤波器的权重时，我得到了一个7x7矩阵。然而，我的第二层有32个3x3的特征映射，当我得到任何过滤器的权重时，我得到第二层的任何过滤器的64个3x3内核矩阵。有人知道为什么吗？

浏览 0提问于2018-03-12得票数 0

回答已采纳

2回答

什么是第一次初始化重量在喷炬卷积层

python、neural-network、conv-neural-network、pytorch

关于最后一段，我在自学。学习在您所使用的代码中，您已经显式地设置了过滤器权重的值，但是神经网络在对一组图像数据进行训练时实际上将学习最佳的过滤器权重。在本节的后面，您将了解到这类神经网络的所有情况，但您知道高通和低通过滤器是定义这种网络行为的原因，并且您知道如何从零开始编写这些代码！在实践中，您还会发现许多神经网络学习检测图像的边缘，因为对象的边缘包含关于对象形状的有价值的信息。我已经学习了所有的最后44节。但我不能回答以下问题当我执行torch.nn.Conv2d时初始化的权重是多少？我自己怎么定义呢？ PyTorch如何更新卷积层中的权重？

浏览 2提问于2018-12-31得票数 1

回答已采纳

3回答

卷积网络的训练方法仍然被称为深度学习吗？

machine-learning、artificial-intelligence、neural-network、convolution、deep-learning

在ImageNet ClassiﬁNeural with Deep Convolutional Neural等论文中训练方法似乎是随机梯度下降的基本反向传播。尽管CNN是深度神经网络的一部分，但这纯粹是因为存在大量的隐藏层吗？这是否意味着这里的后盾属于深度学习类别，因为网络是深度的，即使它不遵循与使用贪婪层明智训练(一种真正的深度学习技术)的DBN相同的模式？谢谢你的帮助和建议。

浏览 2提问于2014-04-19得票数 4

2回答

图像的空间分辨率与CNN架构的大小之间的关系是什么？

machine-learning、deep-learning、computer-vision、conv-neural-network、resolution

我正在研究图像的不同空间分辨率，并考虑为每个空间分辨率实现CNN架构，因为调整图像大小会影响对象细节。网络的大小和图像的空间分辨率之间是否存在可以定量解释的特殊关系？

浏览 0提问于2020-02-13得票数 4

2回答

新图像尺寸的传递学习

deep-learning、neural-network、keras、convolutional-neural-network

转移学习:将经过训练的神经网络用于新的分类任务。当我们想要用卷积神经网络进行传递学习时，我们不需要使用与训练所用的图像大小相同的图像大小。但如果我们改变输入的大小，我们将不得不重新训练完全连接的层。见这篇文章是关于堆栈溢出的。我不明白为什么改变输入形状不会影响卷积层的重量和为什么它会影响完全连接的层权重。如果我的问题听不懂，请告诉我。

浏览 0提问于2019-08-16得票数 1

回答已采纳

1回答

是否有可能在Keras中生成2D卷积层的一维输出？

machine-learning、keras、neural-network、keras-layer

我正在尝试应用卷积神经网络来处理2D输入，它是一个2X300矩阵。它基本上是一个有2行的矩阵，其中每行都是300个位置的向量。我想应用一个2X1大小的内核(两行一列)。其思想是将核应用于两个向量的每个位置i。直观地说，我认为这种卷积运算将生成大小为1X300的输出。也就是说，我认为输出将是一个有300列的一维向量。我说的对吗？我想包含一个卷积层，如下所示： layers.Conv2D(10, kernel_size=(2, 1), activation="relu",name="conv1") 这事儿可以理解?这一层会生成300个位置的一维向量吗？

浏览 24提问于2021-01-26得票数 0

1回答

在R中运行CNN对一维数据的错误

python、r、tensorflow、keras、conv-neural-network

我试图运行1维CNN在R使用keras软件包。我正在尝试创建具有以下规范的一维卷积神经网络(CNN)体系结构 library(keras) library(deepviz) #create a neural network with a convolutional layer and train the model model <- keras_model_sequential() %>% layer_conv_1d(filters=32, kernel_size=4, activation="relu", input_shape=c(100, 10

浏览 8提问于2020-10-12得票数 2

回答已采纳

1回答

卷积神经网络中的反向传播及滤波器更新

machine-learning、neural-network、deep-learning、artificial-intelligence、convolutional-neural-network

我正在学习Convolutional Neural Network，现在我对如何实现它感到困惑。我知道常规的神经网络和像Gradient Descent和Back Propagation这样的概念，我也能理解CNN是如何直观地工作的。我的问题是关于CNN的反向传播。它是如何发生的？最后一个完全连通的层是规则神经网络，这是没有问题的。但是我如何更新卷积层中的滤波器呢？如何将错误从完全连接的层反向传播到这些过滤器？我的问题是更新过滤器！过滤器只是简单的矩阵？或者他们有像规则神经网络这样的结构，并且层间的连接模拟这种能力？我读过关于Sparse Connectivity和Shared Weig

浏览 1提问于2018-05-13得票数 0

回答已采纳

2回答

如何确定卷积神经网络中的神经元数目？

machine-learning、neural-network、deep-learning、tensorflow、cnn

我刚开始深入学习，现在还在学习如何从头开始训练我的神经网络。有时我在YouTube上看教程，甚至在MOOC平台上看在线课程。卷积神经网络的基础通常是Conv2D和MaxPooling层，以使输入更小，更容易训练。问题是，有时本教程在线使用Conv2D的设置，神经元数量较多，而其他Conv2D的神经元数目较小。例如第一层是Conv2D(512个.)，第二层是Conv2D(256个.)还有诸如此类。另一个教程设置是增加的，比如从Conv2D(16.)开始，然后是Conv2D(32.)而且还在增加。这些老师没有告诉我们为什么他们把设置代码写成这样。我们如何知道要使用哪种设置？他们之间有什么不同吗

浏览 0提问于2020-04-15得票数 2

2回答

执行多尺度训练(yolov2)

computer-vision、object-detection、convolutional-neural-network、yolo

我想知道的多尺度培训是如何运作的. 该文件指出：原YOLO的输入分辨率为448×448。加上锚固箱，我们将分辨率改为416×416。但是，，因为我们的模型只使用卷积和池层，所以可以动态地调整的大小。我们希望YOLOv2能够在不同大小的图像上运行，因此我们将其训练成模型。我们不是固定输入图像大小，而是每隔几次迭代一次就改变网络。每10批，我们的网络随机选择一个新的图像尺寸大小。“由于我们的模型降低了32倍的样本，我们从下列32倍的倍数中提取：{ 320,352，…，608}。因此最小的选项是320×320，最大的是608×608。我们将网络调整到这个维度，并继续训练。” 我不明白只有卷

浏览 0提问于2018-04-24得票数 2

2回答

卷积自动编码器中的滤波器

deep-learning、autoencoder

我有一个问题，在一个卷积自动编码器过滤器的数目。据我所知，随着网络的深入，convolutional layer中的过滤器数量增加了。一个典型的模式是16, 32, 64, 128, 256, 512 ... 现在，我正在查看Autoencoders，在Keras博客上，我注意到他们的做法正好相反。它们从第一层的16过滤器开始，然后减少过滤器的数量： https://blog.keras.io/building-autoencoders-in-keras.html 现在，我想知道在使用Autoencoders时，这种情况是否常见，还是取决于网络应该学习什么样的特性？提前谢谢你，干杯, 迈克

浏览 0提问于2019-07-03得票数 0

回答已采纳