Question

我正在尝试模拟与theano后端的SeparableConvolution2D层相当的东西（它已经存在于TensorFlow后端）。作为第一步我需要做的是将一个通道从张量传递到下一层。所以说我有一个名为conv1的2D卷积层，有16个过滤器，它产生一个形状为的输出：（batch_size，16，height，width）我需要选择形状为（：，0，：，:)的subtensor并将其传递给下一层。很简单吧？

这是我的代码：

from keras import backend as K

image_input = Input(batch_shape = (batch_size, 1, height, width ), name = 'image_input' )

conv1 = Convolution2D(16, 3, 3, name='conv1', activation = 'relu')(image_input)

conv2_input = K.reshape(conv1[:,0,:,:] , (batch_size, 1, height, width))

conv2 = Convolution2D(16, 3, 3, name='conv1', activation = 'relu')(conv2_input)

这引发：

Exception: You tried to call layer "conv1". This layer has no information about its expected input shape, and thus cannot be built. You can build it manually via: layer.build(batch_input_shape)

为什么图层没有所需的形状信息？我正在使用theano后端的重塑。这是将各个频道传递到下一层的正确方法吗？

Answer 1

我在keras-user组问了这个问题，我在那里得到了答案：

https://groups.google.com/forum/#!topic/keras-users/bbQ5CbVXT1E

引用它：

您需要使用lambda图层，例如：Lambda（x：x [：，0：1，：，]，output_shape = lambda x：（x [0]，1，x [2]，x [ 3]））

请注意，这种可分离卷积的手动实现效率非常低。正确的解决方案是使用TensorFlow后端。

将个人频道的张量传递到Keras的图层

1 个答案: