Question

我们正在使用keras api实现vae建模。 1epoch结束时，显示以下错误消息。

InvalidArgumentError：不兼容的形状：[1920]与[3808] [/节点： custom_variational_layer_10 / logistic_loss / mul = Mul [T = DT_FLOAT， _class = [“ loc：@train ... ad / Reshape”]，_device =：CPU：0“]（custom_variational_layer_10 /日志，custom_variational_layer_10 / 重塑）]]

我认为，它似乎从第一个Conv2D更改为难以与原始类型匹配的形状。

例如，当输入（755,1,199,1）的输入数据时，将其转换为119-> 60 解码时从60切换到199似乎有误。

（755,1,24,1），数据转换为24-> 12，然后正常处理为12-> 24。

出什么问题了？

input_img = keras.Input(shape=img_shape)

x = layers.Conv2D(filter_size, 3,
                  padding='same', activation='relu',)(input_img)
x = layers.Conv2D(filter_size*2, 3,
                  padding='same', activation='relu',
                  strides=(1, 2))(x)
x = layers.Conv2D(filter_size*2, 3,
                  padding='same', activation='relu')(x)
x = layers.Conv2D(filter_size*2, 3,
                  padding='same', activation='relu')(x)
shape_before_flattening = K.int_shape(x)

x = layers.Flatten()(x)
x = layers.Dense(filter_size, activation='relu')(x)

z_mean = layers.Dense(latent_dim)(x)
z_log_var = layers.Dense(latent_dim)(x)



def sampling(args):
    z_mean, z_log_var = args
    epsilon = K.random_normal(shape=(K.shape(z_mean)[0], latent_dim),
                              mean=0., stddev=1.)
    return z_mean + K.exp(z_log_var) * epsilon

z = layers.Lambda(sampling)([z_mean, z_log_var])

将z注入Input

decoder_input = layers.Input(K.int_shape(z)[1:])

上采样到

x = layers.Dense(np.prod(shape_before_flattening[1:]),
                 activation='relu')(decoder_input)

将z的大小更改为与属性图大小相同的属性图在编码器模型的最后一个Flatten层之前

x = layers.Reshape(shape_before_flattening[1:])(x)

使用Conv2DTranspose层和Conv2D层将z解码为属性与原始输入图像具有相同尺寸的地图

x = layers.Conv2DTranspose(filter_size, 3,
                           padding='same', activation='relu',
                           strides=(1, 2))(x)
x = layers.Conv2D(1, 3,
                  padding='same', activation='sigmoid')(x)

属性映射的大小与源输入的大小相同

创建解码器模型对象解码器=型号（decoder_input，x）

z_decoded = decoder(z)

VAE建模时，keras中的keras InvalidArgumentError

0 个答案: