Question

我正在为MNIST任务微调VGG19模型。 MNIST中的图像是（28,28,1），这是一个通道。但是VGG希望输入为（？，？，3），即三个通道。

所以，我的方法是在所有VGG层之前添加一层Conv2D层，将（28,28,1）数据更改为（28,28,3），这是我的代码：

inputs = Input(shape=(28,28,1))
x = Conv2D(3,kernel_size=(1,1),activation='relu')(inputs)
print(x.shape)
# out: (?, 28, 28, 3)

现在我的输入形状正确（我认为）。

这是我的整个模特：＃更改输入形状：输入=输入（形状=（28,28,1）） x = Conv2D（3，kernel_size =（1,1），activation ='relu'）（输入）

# add POOL and FC layers:
x = base_model(x)
x = GlobalMaxPooling2D()(x)
x = Dense(1024,activation='relu')(x)
predictions = Dense(10,activation='softmax')(x)

model = Model(inputs=inputs, outputs=predictions)

# freeze the base_model:
for layer in base_model.layers:
    layer.trainable = False

model.compile(optimizer='adam',loss='categorical_crossentropy',metric=['accuracy'])

然后我得到了

InvalidArgumentError: Negative dimension size caused by subtracting 2 from 1 for 'vgg19_10/block5_pool/MaxPool' (op: 'MaxPool') with input shapes: [?,1,1,512].

我已经搜索了问题，一种解决方法是添加

from keras import backend as K
K.set_image_dim_ordering('th')

但这对我不起作用。

我的代码怎么了？

Answer 1

进行分类时，应在输出上使用softmax激活。

将最后一层的激活更改为softmax

来自

predictions = Dense(10,activation='relu')(x)

收件人

predictions = Dense(10,activation='softmax')(x)

导致错误的第二个错误与您输入的大小有关。根据{{3}}，您的最小图片尺寸应不小于48。

inputs = Input(shape=(48,48,1))

对VGG进行微调，得到：由1减去2引起的负尺寸

1 个答案: