在keras中添加密集层时出错

Question

我试图实现一个简单的Keras cat vs dog分类器，但是在添加密集层时，它会返回一个值错误。 我使用theano作为后端。 这是代码：

from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

classifier = Sequential()
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
classifier.add(Flatten())
classifier.add(Dense(units = 128, activation = 'relu'))

这是模型的摘要

执行最后一行（添加Dense图层）时，我收到以下错误：

ValueError: ('The specified size contains a dimension with value <= 0', (-448, 128))

这是我的keras.json文件内容

{
    "backend": "theano",
    "image_data_format": "channels_first",
    "floatx": "float32",
    "epsilon": 1e-07
}

我无法找到问题。

提前致谢！

Answer 1

您正在对渠道维度进行卷积，请尝试在卷积中明确设置data_format参数并汇总，如下所示：

classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu', data_format='channels_last'))
classifier.add(Conv2D(32, (3, 3), activation = 'relu', data_format='channels_last'))
classifier.add(MaxPooling2D(pool_size = (2, 2), data_format='channels_last'))

或者重塑您的数据以使其具有形状(3, 64, 64)。

简单来说，卷积应该大致如gif所示：

您会看到灰色过滤器跨越图像的像素（蓝色），以便提取所谓的本地模式（在绿色中） ）。理想情况下，此滤镜的应用应沿图像的宽度和高度进行，即数据中的两个64维 当按照惯例，我们在通道中分割图像时，这通常也是特别有用的，通常用于表示它们的RGB分量。在这种情况下，gif中所示的相同处理被并行地应用于三个通道，并且通常可以应用于N个任意通道。这张图片应该有助于澄清：

简而言之，请致电：

 classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))

Keras默认认为您将64 x 3 64 x 3图像传递给它，并尝试相应地进行卷积。这显然是错误的并且导致负面维度（注意卷积如何缩小图像的大小）。通过指定'channels_last'格式，您可以告诉Keras图像是如何定向的（组件维度位于最后一个＆＃34;位置＆＃34;），以便能够在整个过程中正确卷积64 x 64图像。

Answer 2

我在上面运行你的代码，我得到的摘要与你的不同。

您应该提供更多信息，例如您使用的keras版本和后端......

我怀疑你的keras.json文件中有错误

从official keras page开始，检查你的keras.json文件（位于你的主目录.keras / keras.json）

应该看起来像

{
    "image_data_format": "channels_last",
    "image_dim_ordering": "tf",
    "epsilon": 1e-07,
    "floatx": "float32",
    "backend": "tensorflow"
}

或

{
    "image_data_format": "channels_last",
    "image_dim_ordering": "th",
    "epsilon": 1e-07, 
    "floatx": "float32", 
    "backend": "theano"
}