Question

我跟随this github存储库来实现简单的对象检测。在该存储库中，没有使用卷积层，但我想在Dense层之前添加两个卷积层。所以我已将model的代码更改为：

def baseline_model():
    # create model
    model = Sequential()
    model.add(Conv2D(32, (2,2), input_shape=(1, 16, 16), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Conv2D(32, (2,2), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Dropout(0.2))
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dense(2, activation='softmax'))
    # Compile model
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

此外，我还将图片的尺寸从8*8更改为16*16。

所以这里我的输入数据集的维度将是（40000 * 16 * 16），其中40000是图像的数量。

现在我无法决定是使用conv1D还是conv2D。我已经阅读了this keras官方文档，但不能理解转换维度之间的关系。图层和输入数据形状。

如果我使用上面的模型配置，那么我会收到以下错误：

Error when checking input: expected conv2d_21_input to have 4 dimensions, but got array with shape (40000, 16, 16)

那么我在这里失踪了什么？一般来说，如何决定是使用conv1D还是conv2D？感谢您的帮助，我在这个领域完成了新手。

Answer 1

您必须正确塑造图像。所有卷积层都需要channels的额外维度。

RGB图像有3个通道。但是如果你没有频道，那么你实际上有1个频道。您必须将其显示在数据中才能生效：

#if using channels_last - the default configuration in keras
x_train = x_train.reshape(40000,16,16,1)

#if using channels_first
x_train = x_train.reshape(40000,1, 16,16)

请注意，input_shape参数必须与数据的形状完全匹配，不包括批量大小（40000）。

详细信息

对于图像，你肯定会使用2D卷积（除非你有一些非常标准的想法）。 1D卷积适用于序列。这很简单：

1D卷积：时间序列，序列，音频信号等。数据仅具有“长度”。
2D区域中的各种数据。图像是经典案例。它们有高度和宽度。
3D各种体积数据。例如，3D图像。高度，宽度和深度。

但是，所有这些都会有channels，为输入添加额外的维度。

2D卷积层需要两种可能性，具体取决于您的keras配置：

频道上次（默认）：(BatchSize, pixelsX, pixelsY, channels)
频道优先：(BatchSize, channels, pixelsX, pixelsY)

您没有将批量大小传递给input_shape，因此您可以使用以下方法之一：

#channels last (if you have 1 channel only, but if you have RGB, use 3 instead of 1   
model.add(Conv2D(32, (2,2), input_shape=(16, 16, 1), activation='relu'))

#channels first (if you have 1 channel only, but if you have RGB, use 3 instead of 1   
model.add(Conv2D(32, (2,2), input_shape=(1,16, 16), activation='relu'))

您可以在<yourUserFolder>/.keras/keras.json中的文件中找到您的keras默认配置。

如果需要，您还可以将单个data_format参数传递给每个卷积图层。

无法确定Keras中卷积层的输入形状和类型

1 个答案:

详细信息