Question

我有问题。我建立了一个ConvNet。在最终输出之前隐藏的那个隐藏层的输出形状是（None，64,32,32）。我想要的是取这64个通道的元素明智的平均值。我已经尝试过了：

main_inputs=[]
outputs=[]

def convnet(channels,rows,columns):
        input=Input(shape=(channels,rows,columns))
        main_inputs.append(input)
        conv1=Convolution2D(kernel_size=(3,3) ,filters=64, padding="same")(input)
        activation1= Activation('relu')(conv1)
        conv2=Convolution2D(kernel_size=(3,3), filters=64, padding="same")(activation1)
        activation2 = Activation('relu')(conv2)
        conv3=Convolution2D(kernel_size=(3,3), filters=64, padding="same")(activation2)
        activation3 = Activation('relu')(conv3)
        conv4=Convolution2D(kernel_size=(3,3), filters=channels, padding="same")(activation3)
        out=keras.layers.Average()(conv4)
        activation4 = Activation('linear')(out)
        outputs.append(activation4)
        print(np.shape(outputs))
        model = Model(inputs=main_inputs, outputs=outputs)

        return model

但是当我遇到错误时：

ValueError: A merge layer should be called on a list of inputs

之后，我尝试使用后端文档代替keras.layer.average：

out=K.mean(conv4,axis=1)

但是我收到此错误：

'Tensor' object has no attribute '_keras_history'

有什么想法吗？

Answer 1

假设conv4是形状为(batch_size, nb_channels, 32, 32)的张量。您可以按以下方式平均计算渠道范围内的conv4：

out = Lambda(lambda x: K.mean(x, axis=1))(conv4)

所得张量out将具有形状(batch_size, 32, 32)。您需要将所有后端操作包装在Lambda层中，以使生成的张量是有效的Keras张量（这样它们就不会缺少诸如_keras_history之类的某些属性）。

如果要将out的形状改为(batch_size, 1, 32, 32)，则可以执行以下操作：

out = Lambda(lambda x: K.mean(x, axis=1)[:, None, :, :])(conv4)

注意：未测试。

Answer 2

在rvinas答案中加我几分钱-有一个名为keepdims的参数，该参数可防止对张量进行某些操作后减小张量的形状。

keepdims：布尔值，是否保留尺寸。如果 keepdims为False，张量的等级降低1。如果keepdims 为True，则缩小的尺寸保留为长度1。

out = Lambda(lambda x: K.mean(x, axis=1), keepdims=True)(conv4)

卷积层keras的平均通道

2 个答案: